Métaheuristiques appliquées à la classification non supervisée de données
Loading...
Date
2019
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
UNIVERSITE MOHAMED BOUDIAF - M’SILA FACULTE DES MATHEMATIQUES ET DE L’INFORMATIQUE DEPARTEMENT D’INFORMATIQUE- Spécialité : Informatique Décisionnel et Optimisation
Abstract
L’analyse et l’exploitation de grande quantité de données nécessite des techniques
spécialisées, tel que le datamining qui permet d’extraire des connaissances à partir de données
afin de créer un modèle intéressant et compréhensible. L’une des taches descriptives de ce
dernier est le clutering (la classification non supervisée) qui consiste à regrouper les données
les plus similaires dans les mêmes classes sans aucune connaissance apriori sur le nombre de
classes ni leurs étiquettes, en basant sur la notion de distance entre les données pourmaximiser la similarité intra classes et minimiser la similarité inter classes.Pour ce faire, nous
allons utiliser les metaheuristiques inspirées de la nature et de l’evolution de l’etre humain
afin de transformer le problème de clustering à un grand espace de données.L’objectif de cette
travail est d’utiliser une nouvelle métaheuristique basée sur la théorie de la biogéographie
consiste en l'étude de la répartition spatiale des espèces vivantes (végétales et animales) et une
algorithme génétique pour trouver une classification optimale a notre jeux de données"la fleur
de Iris".
Description
Keywords
Fouille de données – Classification non supervisée –Analyse des données – base de données Iris- Métaheuristique – Optimisation basé sur Biogeographie _ Apprentissage automatique