Clustering et réduction dimensionnelle

📋 Plan du Cours

1. Principes et applications du clustering en apprentissage non supervisé
2. Mesures de distance utilisées en clustering
3. Algorithme K-means : fonctionnement et optimisation
4. Classification Ascendante Hiérarchique (CAH) et dendrogramme : principes et critères de fusion
5. Évaluation du clustering : inertie intra-classe et coefficient de silhouette
6. Comparaison pratique entre K-means et CAH selon les contextes
7. Applications concrètes du clustering dans divers domaines
8. Réduction de dimension par ACP avant clustering et pipeline associé

📖 1. Principes et applications du clustering en apprentissage non supervisé

🔑 Notions clés & Définitions

• Inter-classe : Séparation Les clusters différents doivent être les plus éloignés possible les uns des autres.
• Clustering : À retenir ◆ Le clustering regroupe des données sans supervision : les classes ne sont pas connues à l'avance.

📝 Points essentiels

• L'apprentissage non supervisé consiste à découvrir seul la structure cachée dans les données sans étiquettes fournies.
• L'intra-classe correspond à la compacité des clusters, on cherche à minimiser la somme des distances au centroïde.
• L'inter-classe correspond à la séparation des clusters, on cherche à maximiser la distance entre clusters différents.
• Maximiser dist(Cᵢ, Cⱼ) pour i ≠ j Non supervisé Pas d'étiquettes données.
• L'algorithme doit découvrir seul la structure cachée dans les données.

💡 À retenir