Utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples
Self-organising maps used for classification, illustration with several examples: The aim of this paper is to illustrate, with several examples, the possible uses of self-organizing maps (som), especially in classification and data-set visualization purposes. This classification method, based on the...
Tallennettuna:
| Julkaisussa: | URI:https://journals.openedition.org/bms, |
|---|---|
| Päätekijät: | , , |
| Aineistotyyppi: | Article ou chapitre numérique |
| Kieli: | Français |
| Julkaistu: |
Bulletin de méthodologie sociologique
2008
|
| Aiheet: | |
| Linkit: | Accès Université d'Orléans et IFPM |
| id |
openedition-oai:revues.org:bms_829 |
|---|---|
| record_format |
openedition |
| collection |
OpenEdition Journal |
| language |
Français |
| format |
Article ou chapitre numérique |
| building |
0/Bibliothèque numérique/ 1/Bibliothèque numérique/OpenEdition Journals/ |
| topic |
Self-Organizing Maps Cluster Analysis Visualization Tools Large Data Sets Cartes d’auto-organisation Analyse classificatoire Outils de visualisation Grands ensembles de données |
| spellingShingle |
Self-Organizing Maps Cluster Analysis Visualization Tools Large Data Sets Cartes d’auto-organisation Analyse classificatoire Outils de visualisation Grands ensembles de données Rousset, Patrick Guinot, Christiane Vero, Josiane Utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples |
| description |
Self-organising maps used for classification, illustration with several examples: The aim of this paper is to illustrate, with several examples, the possible uses of self-organizing maps (som), especially in classification and data-set visualization purposes. This classification method, based on the unsupervised learning algorithm of Kohonen, is presented here in a practical manner, and applied in the following fields: characterisation of human skin, Polish national daily consumption of electricity, training supply and professional careers. The diversity of the examples, in these application fields and for various statistical purposes (typology, classification of curves), illustrate many self-organizing map characteristics as compared to more traditional methods. In particular, we should mention, firstly, that the clustering method and its representation system are complementary; secondly, that som are sensitive to small distances and, finally, that they can be pertinent when the data set is large. These properties make it possible to visualize cluster proximities, local effects (restricted to a part of the population) and integrate many variables into the analysis (for example, as in data mining). Apart from clustering, self-organizing maps can also be used as a visualization tool for the representation of data-set intrinsic structure. In this case, as with projections to principal planes of the factorial analysis, this data-set representation can be considered a graphical support for any analysis method. To illustrate its characteristics, we use it to represent two hierarchical classification results. In this instance, the particularity of this technique comes from the specificity of its own symbolic representation. It gives to som a freedom that allows it to be well adapted to complex structures such as non-linear ones. In this paper, self-organizing maps are presented first as a clustering method, and then as a tool for the visualization of dataset intrinsic structure. |
| author |
Rousset, Patrick Guinot, Christiane Vero, Josiane |
| author_facet |
Rousset, Patrick Guinot, Christiane Vero, Josiane |
| author_sort |
Rousset, Patrick |
| title |
Utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples |
| title_short |
Utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples |
| title_full |
Utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples |
| title_fullStr |
Utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples |
| title_full_unstemmed |
Utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples |
| title_sort |
utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples |
| publisher |
Bulletin de méthodologie sociologique |
| publishDate |
2008 |
| container_title |
URI:https://journals.openedition.org/bms |
| url |
https://ezproxy.univ-orleans.fr/login?url=https://journals.openedition.org/bms/829 |
| _version_ |
1877244521338634240 |
| spelling |
openedition-oai:revues.org:bms_829 fr https://journals.openedition.org/bms/829 2008-07-04T02:00:00Z info:eu-repo/semantics/openAccess article info:eu-repo/semantics/article urn:handle:20.500.13089/dawy All rights reserved Utilisation des cartes d’auto-organisation dans la classification, illustration par des exemples Bulletin de méthodologie sociologique Association internationale de méthodologie sociologique info:eu-repo/semantics/reference/issn/2070-2779 info:eu-repo/semantics/reference/issn/0759-1063 URI:https://journals.openedition.org/bms Rousset, Patrick Guinot, Christiane Vero, Josiane Self-Organizing Maps Cluster Analysis Visualization Tools Large Data Sets Cartes d’auto-organisation Analyse classificatoire Outils de visualisation Grands ensembles de données Self-organising maps used for classification, illustration with several examples: The aim of this paper is to illustrate, with several examples, the possible uses of self-organizing maps (som), especially in classification and data-set visualization purposes. This classification method, based on the unsupervised learning algorithm of Kohonen, is presented here in a practical manner, and applied in the following fields: characterisation of human skin, Polish national daily consumption of electricity, training supply and professional careers. The diversity of the examples, in these application fields and for various statistical purposes (typology, classification of curves), illustrate many self-organizing map characteristics as compared to more traditional methods. In particular, we should mention, firstly, that the clustering method and its representation system are complementary; secondly, that som are sensitive to small distances and, finally, that they can be pertinent when the data set is large. These properties make it possible to visualize cluster proximities, local effects (restricted to a part of the population) and integrate many variables into the analysis (for example, as in data mining). Apart from clustering, self-organizing maps can also be used as a visualization tool for the representation of data-set intrinsic structure. In this case, as with projections to principal planes of the factorial analysis, this data-set representation can be considered a graphical support for any analysis method. To illustrate its characteristics, we use it to represent two hierarchical classification results. In this instance, the particularity of this technique comes from the specificity of its own symbolic representation. It gives to som a freedom that allows it to be well adapted to complex structures such as non-linear ones. In this paper, self-organizing maps are presented first as a clustering method, and then as a tool for the visualization of dataset intrinsic structure. L’objet de cet article est d’illustrer l’intérêt de l’utilisation des cartes d’auto-organisation dans un but de classification et de représentation des données à travers divers exemples et approches. Cette méthode de classification, construite à partir de l’algorithme de kohonen dont l’apprentissage est non supervisé, est présentée ici dans un cadre appliqué et utilisée dans les domaines suivants : caractérisation de la peau humaine, consommation électrique journalière nationale polonaise, structure de l’offre de formation, et parcours professionnels. La diversité des exemples, du point de vue des domaines d’application et de la problématique statistique (typologie, classification de séries chronologiques ou de courbes), permet de mettre en avant différentes propriétés caractéristiques des cartes d’auto-organisation en référence à des méthodes plus classiques. En particulier, on peut citer la complémentarité entre la classification et son système de représentation, son aptitude à rendre compte de la contribution des petites distances, et enfin la possibilité de l’utiliser sur une grande base de données. Ces propriétés lui permettent de visualiser la proximité entre les classes et des effets restreints à une partie de la population appelés effets locaux. En dehors du cadre de la classification, les cartes d’auto-organisation peuvent aussi être considérées comme un outil capable de représenter la structure intrinsèque des données. Dans ce cas, de la même façon que les projections d’une analyse factorielle, sa représentation des données peut servir de support graphique à toute sorte de méthodes d’analyse. Pour illustrer ses caractéristiques, elle est utilisée pour représenter le résultat de deux classifications hiérarchiques. Dans ce cadre d’exploitation, la particularité de cette technique tient à l’originalité de sa représentation symbolique des données. Elle donne aux cartes d’auto-organisation une souplesse qui lui permet de s’adapter à des structures complexes et non linéaires. Dans ce papier, les cartes d’auto-organisation sont présentées, dans un premier temps, comme une méthode de classification et, dans un deuxième temps, comme un outil de représentation de la structure intrinsèque des données. |