Please enable JavaScript.

Coggle requires JavaScript to display documents.

FDD - Clustering methods (K-means (Algorithme (Choix de points comme…

- - - - Les clusters obtenus dépendent des centroïdes initiaux
  - - - Très faible chance de choisir des centroïdes initiaux appartenant à des clusters différents
        (K = 10, P = 0.00036)
      - Solution : lancer l'algo de nombreuses fois (mais la proba n'est pas de notre côté)
      - Déterminer les centroïdes avec du clustering hiérarchique
      - Demander beaucoup plus de clusters et en regrouper à la fin
    - - En taille
      - En densité
      - Formes non-globulaires
  - - - Normaliser les données (même ordre de grandeur)
      - Eliminer les outliers
    - - Eliminer les petits clusters (outliers)
      - Spliter les clusters à grosse SSE
      - Merger les clusters proches à faible SSEtext
- - - - On commence à autant de clusters que de points
      - A chaque étape, on merge la paire de clusters la plus proche
    - - On commence avec un cluster global
      - A chaque étape on split un cluster
  - - - Basé sur les 2 points les plus proches
      - Efficace sur les tailles variables & les formes non elliptiques
      - Sensible aux bruits & outliers
    - - Basé sur les 2 points les plus éloignés
      - Efficace face aux bruits & outliers
      - Tendance à casser les gros clusters
      - Biased towards globular clusters
    - - Basé sur la moyenne de la distance de chaque paire de points
      - Peu sensible aux bruits & outliers
      - Biased towards globular clusters
    - - Basé sur l'augmentation de la SSE lors d'un merge de 2 clusters
      - Peu sensible aux bruits & outliers
      - Biased towards globular clusters
      - Utilisable pour initier k-means
- - - - Points "noyaux"
        Points ayant MinPts points dans leur voisinage
      - Points "frontères"
        Ils n'ont pas assez de points dans leur voisinage mais ont au moins un noyau dans celui-ci
      - Points "bruits"
        Les autres