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

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

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.

روابط وملفات

التعريف والنوع

رقم الوثيقة

046d62f5-3c21-47b8-9df5-a264bc0437bf

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

ماستر (LMD)

بيانات النشر

ألقاب المؤلفين

[{"name_ar":"Amina Abdellah Berrehail","title_ar":"اعداد","title_en":"Preparation"}]

اللغة

French

المصدر والدورية

اسم المصدر

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

المحتوى والصفحات

كلمات الباحثين

إشراف وإعداد

الإعداد

Amina Abdellah Berrehail

الاقتباسات الببليوغرافية