Méthode des K-means Plus et étude de cas sur Tanagra

Résumé du document

La méthode des k-means est un outil de classification classique qui permet de répartir un ensemble de données en classes homogènes.

Avantages : Permet la classification d'ensembles volumineux et elle est rapide à converger vers un optimum local.

Inconvénients : on impose au départ le nombre de classes de plus l'optimum local rencontré dépend fortement de la solution initiale; c'est donc pas forcément une bonne solution…

Extraits

[...] Ça donne: M1=1, M2=2, et M3=3 Chaque objet O est affecté à la classe au milieu de laquelle, O est le plus proche est affecté à C3 car : dist(M3,6) [...]

[...] Etude de cas sur TANAGRA : Demande de prêt chez une banque: Présentation du tableau de donnée : Analyse de la distribution des modalités par l'analyse uni-variée : Projection des observations dans un nouvel espace en utilisant l'ACM : Classification par la méthode K-Means : a. L'inertie Intra-classe selon la taille de la classe : b. Centres de classes calculés : c. Dendrogramme : d. Identification des groupes : e. La projection des observations dans les plans factoriels : Page 1 Analyse de données M2S: MPII Iman ALIOUI I. Présentation générale de la méthode K-means : 1. Définition : La méthode des k-means est un outil de classification classique qui permet de répartir un ensemble de données en classes homogènes. [...]

[...] Recalculer Mi de chaque classe (le barycentre). Aller à l'étape 2 si on vient de faire une affectation et si on a une stabilité des centres on arrête l'algorithme Les étapes de k-means en images : Au départ: Création aléatoire de centres de gravité. Page 2 Analyse de données M2S: MPII Iman ALIOUI Etape Chaque observation est classée en fonction de sa proximité aux centres de gravités. Etape Chaque centre de gravité est déplacé de manière à être au centre du groupe correspondant. [...]