Please enable JavaScript.
Coggle requires JavaScript to display documents.
FDD - Clustering methods (K-means (Algorithme (Choix de points comme…
FDD - Clustering methods
K-means
Algorithme
-
Pour chaque point, on l'affecte au cluster du centroïde le plus proche
-
On réaffecte les points dans les clusters, en boucle, jusqu'à stabilisation
-
-
Evaluer
SSE :
Pour chaque point, distance avec le cluster le plus proche
-
-
Limites
-
Choix des centroïdes
Très faible chance de choisir des centroïdes initiaux appartenant à des clusters différents
(K = 10, P = 0.00036)
-
-
-
-
-
-
Clustering hiérarchique
-
Avantages
Pas besoin de chosir combien de clusters on veut, il suffit ensuite de couper dans l'arbre au bon endroit
Correspond à des taxonomies intéressantes (espèces animales, ...)
Types
Agglomerative
-
A chaque étape, on merge la paire de clusters la plus proche
-
-
-
-
DBscan
Concept
-
2 paramètres :
MinPts, le nombre de points minimal
Eps (epsilon), le rayon de voisinage
-
-
-