Résultat de la recherche
1 recherche sur le mot-clé 'l’algorithme de classificationk-means'
Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche Interroger des sources externes
Développement d’une application à base de l’algorithme de classificationk-means / abdelkader Belhabib
Titre : Développement d’une application à base de l’algorithme de classificationk-means Type de document : texte imprimé Auteurs : abdelkader Belhabib, Auteur Année de publication : 2012 Importance : 38p. Présentation : ill. Format : 30cm. Langues : Français (fre) Mots-clés : l’algorithme de classificationk-means Résumé : 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’initialisationDéveloppement d’une application à base de l’algorithme de classificationk-means [texte imprimé] / abdelkader Belhabib, Auteur . - 2012 . - 38p. : ill. ; 30cm.
Langues : Français (fre)
Mots-clés : l’algorithme de classificationk-means Résumé : 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’initialisationExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité bfst7491 L/005-01/01 thèse Salle d'accès libre 005 programmation programme données Exclu du prêt