Minimisation Des Désagréments Dans Les Clusters Agrégés

Résumé: Les techniques de clustering construisent des clusters en comparant les objets deux à deux en utilisant une mesure de distance calculée de manière globale sur la base des valeurs des attributs. Cependant, dans un contexte d’aide multicritère à la décision, les caractéristiques d’un objet sont exprimées par le biais de critères, souvent contradictoires, à optimiser. Donc la définition d’une structure de préférence est essentielle et la notion de mesure de distance traditionnellement utilisée s’avère inadaptée. Pour définir une mesure de dissimilarité adaptée au contexte multicritère, il est nécessaire de définir un indice permettant de quantifier les situations de préférence, d’indifférence et de comparabilité. Les mesures de distance proposées dans la littérature ne permettent de quantifier que les situations où les objets à comparer sont en accord par rapport aux relations de préférence. Les situations de désagréments (désaccord) ne sont pas prises en considération. Pour remédier à cette limite, nous proposons, dans cette thèse, une nouvelle mesure de dissimilarité multicritère intégrant à la fois les situations des accords et les situations de désagréments. L’algorithme de clustering utilisant cette mesure permet de générer un ensemble de schémas de clustering pour le même ensemble de données. Chaque schéma de clustering représente une façon possible de regrouper l’ensemble des objets selon la relation de préférence utilisée. Chaque clustering représente aussi une vue partielle de l’ensemble des objets selon la relation de préférence utilisée pour le générer. Pour prendre en considération les éventuels désagréments (conflits) qui peuvent exister entre les différents schémas de clustering et afin de produire un schéma de clustering intégrant l’ensemble de ces vues partielles, nous proposons d’agréger les différents schémas de clustering en utilisant les techniques d’agrégation par l’approche ensemble. Afin d’enrichir le schéma de clustering final généré par notre approche et afin de faciliter le processus de prise de décision, nous proposons d’étendre l’approche proposée vers la définition des relations entre les clusters composant le schéma de clustering final.

Publié dans la revue: