Séance de cours

Clustering: Méthodes hiérarchiques et méthodes K-means

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre les algorithmes de clusters visant à optimiser les critères d'homogénéité et de séparabilité, y compris les clusters hiérarchiques, les clusters à base de centroïdes et les clusters à base de densité. Il explique les méthodes de construction du cluster hiérarchique, telles que les approches agglomératives et divisives, en mettant l'accent sur le cluster agglomératif. La séance de cours traite également des fonctions de liaison comme la liaison unique, complète, moyenne et centroïde pour assurer la séparation des clusters. Il explore la méthode de regroupement de Ward pour l'homogénéité et la méthode k-means comme une alternative à l'exploration de toutes les partitions possibles. La séance de cours détaille l'algorithme Lloyd pour les moyennes k, en discutant de la convergence, du coût de calcul et de la formation de clusters. Il introduit également l'algorithme k-means++ pour atténuer les solutions suboptimales dues à l'initialisation aléatoire.

Source officielle

Proximité ontologique

Information engineering

Apprentissage automatique: Apprentissage non supervisé

Concepts associés (29)

Partitionnement de données

vignette|upright=1.2|Exemple de clustering hiérarchique. Le partitionnement de données (ou data clustering en anglais) est une méthode en analyse des données. Elle vise à diviser un ensemble de données en différents « paquets » homogènes, en ce sens que les données de chaque sous-ensemble partagent des caractéristiques communes, qui correspondent le plus souvent à des critères de proximité (similarité informatique) que l'on définit en introduisant des mesures et classes de distance entre objets.

K-moyennes

Le partitionnement en k-moyennes (ou k-means en anglais) est une méthode de partitionnement de données et un problème d'optimisation combinatoire. Étant donnés des points et un entier k, le problème est de diviser les points en k groupes, souvent appelés clusters, de façon à minimiser une certaine fonction. On considère la distance d'un point à la moyenne des points de son cluster ; la fonction à minimiser est la somme des carrés de ces distances.

Regroupement hiérarchique

Dans le domaine de l'analyse et de la classification automatique de données, le regroupement hiérarchique est un partitionnement de données ou clustering, au moyen de diverses méthodes, dites « ascendantes » et « descendantes ». Les méthodes dites « descendantes » partent d’une solution générale vers une autre plus spécifique. Les méthodes de cette catégorie démarrent avec une seule classe contenant la totalité puis se divisent à chaque étape selon un critère jusqu’à l’obtention d’un ensemble de classes différentes.

Single-linkage clustering

In statistics, single-linkage clustering is one of several methods of hierarchical clustering. It is based on grouping clusters in bottom-up fashion (agglomerative clustering), at each step combining two clusters that contain the closest pair of elements not yet belonging to the same cluster as each other. This method tends to produce long thin clusters in which nearby elements of the same cluster have small distances, but elements at opposite ends of a cluster may be much farther from each other than two elements of other clusters.

DBSCAN

DBSCAN (density-based spatial clustering of applications with noise) est un algorithme de partitionnement de données proposé en 1996 par Martin Ester, Hans-Peter Kriegel, Jörg Sander et Xiaowei Xu. Il s'agit d'un algorithme fondé sur la densité dans la mesure qui s’appuie sur la densité estimée des clusters pour effectuer le partitionnement. thumb|400px|Les points A sont les points déjà dans le cluster. Les points B et C sont atteignables depuis A et appartiennent donc au même cluster.

Afficher plus

Séances de cours associées (64)

Clustering: Apprentissage sans supervision

Explore le clustering dans l'espace à haute dimension, couvrant des méthodes telles que le clustering hiérarchique, K-means et DBSCAN.

Physique statistique des grappes

Explore la physique statistique des clusters, en se concentrant sur la complexité et le comportement d'équilibre.

Aperçu de l'apprentissage supervisé

Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.

Apprentissage sans supervision : méthodes de regroupement

Couvre l'apprentissage non supervisé axé sur les méthodes de regroupement et les défis rencontrés dans les algorithmes de regroupement comme K-means et DBSCAN.

Algorithmes de regroupement: K-Means vs le regroupement spectral

Comparer les algorithmes K-Means et Spectral Clustering, en mettant en évidence leurs différences et leurs applications pratiques dans le regroupement des comportements des élèves.

Afficher plus

Concepts associés (29)

Partitionnement de données

K-moyennes

Regroupement hiérarchique

Single-linkage clustering

DBSCAN

Afficher plus