Classification non supervisée : Application de k-means

Abstract

Dans plusieurs domaines des sciences sociales, nous sommes amenés à constituer des groupes homogènes en leur sein et qui diffèrent suffisamment l’un de l’autre. C’est l’objet des méthodes de classification dont fait partie la méthode des k-means, cet algorithme est une version améliorée et randomisée de la méthode des nuées dynamiques. Il est actuellement l’un des plus utilisés et des plus efficaces en analyse des données. De fait, il permet de partitionner une population finie d’éléments en un nombre K (entier) de classes homogènes. Il est utile de noter que l’algorithme k-means est très performant en termes de temps d’exécution, mais il souffre du problème de dépendance des résultats aux choix effectués lors de l’initialisation. On peut élargir notre travail, en essayant de comparer nos résultats avec d’autres versions de K-means, travailler sur d’autres algorithmes de classification non supervisé, et même le supervisé.