Développement d’une application à base de l’algorithme de classificationk-means.

Abstract

Dans ce mémoire on a présenté une version de l’algorithme de k-means qui permet de regrouper les individus dans un ensemble des clusters homogènes, On observe que dans la majorité des cas, les k classes trouvées par cette méthode sont de meilleure qualité, Malgré que les algorithme de classification par partitionnement souffrent du problème de représentant unique (en effet ils n’utilisent dans qu’un seul point comme représentant d’une classe ). Comme perspectives, On peut comparer les performances des autres algorithmes par rapport à k-means 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 Maximization) 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. Il 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.