Implémentation d’un algorithme de Clustering à base de k-MEDOIDS

Abstract

Dans ce mémoire on a présenté une version de l’algorithme de k-medoid qui permet de regrouper les individus dans un ensemble des clusters homogènes, Il est plus robuste que les autres méthodes en présence de bruit. Mais, on note aussi que cet algorithme a une complexité de l’ordre de (O[K*(n-K)2*i]) [20] . Sachant que K est le nombre maximum de classe, n est le nombre d’instances dans l’ensemble de données et i est le nombre d’itérations .Ce ci devient plus coûteux en cas de K et n assez grand. Par conséquent nous pouvons dire que cet algorithme est intéressant et efficace pour des bases ayant une petite taille. Comme perspectives, On peut comparer les performances des autres algorithmes avec k-medoid qui est une méthode de type hard clustering. Cela signifie qu'un point de données peut appartenir à un seul cluster et qu'une probabilité unique est calculée pour l'appartenance de chaque point de données à ce cluster, contrairement à cette approche, l’algorithme d’EM (Expectation Maximisation) ou FuzzyCMeans, est une méthode de type soft clustering. Cela signifie qu'un point de données appartient toujours à plusieurs clusters et qu'une probabilité est calculée pour chaque combinaison point de données/cluster.