Une nouvelle méthode de classification pour des données intervalles
Cet article propose une nouvelle méthode de classification automatique pour des données intervalles. C’est une extension d’une méthode de classification classique à des données intervalles. La procédure classique est basée sur la théorie des processus ponctuels, et plus particulièrement sur le proce...
Enregistré dans:
| 發表在: | URI:https://journals.openedition.org/msh, |
|---|---|
| Auteurs principaux: | , |
| 格式: | Article ou chapitre numérique |
| 語言: | Français |
| 出版: |
Mathématiques et sciences humaines
2009
|
| 主題: | |
| 在線閱讀: | Accès Université d'Orléans et IFPM Accès Université d'Orléans et IFPM |
| 總結: | Cet article propose une nouvelle méthode de classification automatique pour des données intervalles. C’est une extension d’une méthode de classification classique à des données intervalles. La procédure classique est basée sur la théorie des processus ponctuels, et plus particulièrement sur le processus de Poisson homogène. La première partie de la nouvelle méthode est une procédure de classification monothétique divisive. La règle de coupure utilise une extension à des données intervalles du critère de classification des Hypervolumes. L’étape d’élagage utilise deux tests statistiques du quotient de vraisemblance basés sur le processus de Poisson homogène : le test des Hypervolumes et le Gap test. Nous obtenons alors un arbre de décision. La seconde partie de la méthode est une procédure de recollement qui permet, dans certains cas, d’améliorer la classification obtenue à la fin de la première partie de l’algorithme. La méthode est évaluée sur des données générées et sur des données réelles. Elle est comparée à d’autres méthodes de classification disponibles pour des données intervalles. |
|---|