Chapitre 3
Appliquer l'apprentissage non supervisé
Dans quels contextes envisager l'apprentissage non supervisé
L'apprentissage non supervisé est utile si vous souhaitez explorer vos données sans avoir encore d'objectif spécifique ou de certitudes sur les informations qu’elles contiennent. C'est également un bon moyen de réduire les dimensions de vos données.
La plupart des techniques d'apprentissage non supervisé correspondent à une variante de l'analyse de clusters, comme nous l'avons vu au Chapitre 1.
Dans l'analyse de clusters, les données sont réparties dans des groupes en fonction d'une certaine mesure de similarité ou de caractéristiques partagées. Les clusters sont constitués de sorte que les objets d'un même cluster soient très similaires et que les objets de clusters différents soient très distincts.
Les algorithmes de clustering se répartissent en deux grandes catégories :
- Hard clustering, où chaque point de données appartient à un unique cluster.
- Soft clustering, où chaque point de données peut appartenir à plusieurs clusters. Vous pouvez utiliser des techniques de clustering hard ou soft si vous connaissez déjà les regroupements de données possibles.
Modèle de mélange gaussien utilisé pour séparer les données en deux clusters.
Si vous ne savez pas encore comment les données peuvent être regroupées :
- Utilisez des cartes de caractéristiques auto-organisatrices ou un clustering hiérarchique pour rechercher des structures possibles dans les données.
- Utilisez l'évaluation de clusters afin de rechercher le nombre « optimal » de groupes pour un algorithme de clustering donné.
Algorithmes de clustering hard courants
k-Means
FONCTIONNEMENT
Cet algorithme répartit les données en un nombre k de clusters mutuellement exclusifs. Le degré de correspondance d'un point vis-à-vis d'un cluster est déterminé par la distance entre ce point et le centre du cluster.UTILISATION OPTIMALE
- Quand le nombre de clusters est connu
- Pour le clustering rapide de jeux de données volumineux
RÉSULTAT
Centres des clusters
k-Medoids
FONCTIONNEMENT
Cet algorithme est similaire au clustering k-Means, mais avec une exigence supplémentaire imposant que les centres des clusters coïncident avec des points du jeu de données.UTILISATION OPTIMALE
- Quand le nombre de clusters est connu
- Pour un clustering rapide de données catégorielles
- Adapter à de grands jeux de données
RÉSULTAT
Centres des clusters coïncidant avec des points de données
Clustering hiérarchique
FONCTIONNEMENT
Cet algorithme produit des jeux de clusters imbriqués, par analyse des similitudes entre paires de points et par regroupement des objets dans un arbre hiérarchique binaire.UTILISATION OPTIMALE
- Quand vous ne connaissez pas à l'avance le nombre de clusters au sein de vos données
- Quand vous souhaitez que la visualisation guide votre sélection
RÉSULTAT
Dendrogramme représentant la relation hiérarchique entre les clusters
Carte auto-organisatrice
FONCTIONNEMENT
Ce clustering basé sur un réseau de neurones transforme un jeu de données en carte 2D préservant leur topologie.UTILISATION OPTIMALE
- Pour visualiser en 2D ou 3D des données présentant un grand nombre de dimensions
- Pour déduire la dimensionnalité des données tout en préservant leur topologie (forme)
RÉSULTAT
Représentation avec un nombre inférieur de dimensions (généralement en 2D)
Algorithmes de clustering soft courants
Clustering c-Means flou
FONCTIONNEMENT
Il s'agit d'un clustering basé sur des partitions dans lequel les points de données peuvent appartenir à plusieurs clusters.UTILISATION OPTIMALE
- Quand le nombre de clusters est connu
- Pour la reconnaissance de patterns
- Quand les clusters se chevauchent
RÉSULTAT
Centres des clusters (résultat similaire au clustering k-Means) mais avec un flou tel que les points peuvent appartenir à plusieurs clusters
Modèle de mélange gaussien
FONCTIONNEMENT
Il s'agit d'un clustering basé sur des partitions dans lequel les points de données proviennent de différentes distributions normales multivariées avec certaines probabilités.UTILISATION OPTIMALE
- Quand un point de données peut appartenir à plusieurs clusters
- Quand les clusters possèdent des tailles et des structures de corrélation internes différentes
RÉSULTAT
Un modèle de distributions gaussiennes qui donne les probabilités qu'un point appartienne à un cluster donné
