Le clustering hiérarchique

Table des matières

Introduction générale
PARTIE I : Clustering et Aide multicritère à la décision
Chapitre 1 : Le clustering
1. Introduction
2. Le clustering
2.1.Définition
2.2.Les structures d’un schéma de clustering
2.3.Les étapes d’un processus de clustering
3. Similarité, dissimilarité et distance
3.1.Propriétés formelles
3.1.1. Indice de dissimilarité
3.1.2. Indice de similarité
3.1.3. Distance
3.2.Différentes mesures de similarité
3.2.1. Cas des variables numériques
3.2.2. Cas des variables ordinales
3.2.3. Cas des variables nominales
3.2.4. Cas des variables binaires
3.2.5. Cas des variables symboliques
3.2.6. Cas des variables hétérogènes
4. Les méthodes de clustering
5. Les problèmes du clustering
6. Evaluation de la qualité d’un schéma de clustering
6.1.Evaluation externe
6.2.Evaluation interne
6.2.1. Somme des erreurs au carré : SSE
6.2.2. Le coefficient silhouette : CS
6.2.3. L’indice de Wemmert et Gançarski : WG
6.3.Evaluation relative
6.3.1. L’indice de Dunn
6.3.2. L’indice de Davis et Bouldin
6.3.3. La fonction de Mimaroglu et Yagci
7. Le problème de désagréments en clustering
8. La prise en compte du contexte dans le processus de clustering
9. Conclusion
Chapitre 2 : Aide multicritère à la décision (AMCD)
1. Introduction
2. L’aide multicritère à la décision
3. Concepts de base
3.1.Le concept de critère
3.2.Les actions potentielles
3.3.Le tableau de performances
3.4.Le système relationnel de préférence
4. Problématiques multicritère en aide à la décision
4.1.Problématique de choix P.α
4.2.Problématique de rangement P.γ
4.3.Problématique du tri P.β
5. Les méthodes d’aide multicritère à ladécision
5.1.Les méthodes d’agrégation complète
5.2.Les méthodes d’agrégation partielle
5.2.1. La méthode PROMETHEE
5.2.2. La méthode ELECTRE III
5.3.Les méthodes d’agrégation locale
6. La classification multicritère
6.1.La méthode ELECTRE Tri
7. Conclusion
PARTIE II : Contributions et évaluation de l’approche proposée
Chapitre 3 : Le clustering en aide multicritère à la décision : Proposition d’un nouvelle mesure de dissimilarité
1. Introduction
2. Le clustering multicritère
2.1.Définitions du clustering multicritère
2.1.1. Définition de Ferligoj et Batagelj
2.1.2. Définition d’Eppe, Roland et De Smet
2.1.3. Définition de Meyer & Olteanu
3. Les principales approches du clustering en AMCD
3.1.L’approche de De Smet & Guzman
3.1.1. La mesure de distance
3.1.2. Une extension de l’algorithme k-means au contextemulticritère
3.2.L’approche de De Smet & Eppe
3.3.L’approche d’Eppe, Roland & De Smet
3.4.L’approche de De Smet, Nemery & Selvaraj
3.5.Les travaux de Rocha et Dias
4.Problématique
5. Contribution : Proposition d’un indice de dissimilarité multicritère
5.1.Le principe de désagrément en AMCD5.1.1. Définition de l’accord en AMCD
5.1.2. Définition du désagrément (désaccord) en AMCD
5.1.3. Définition de l’indice de dissimilarité
5.2.Illustration
5.2.1. Génération des profiles des objets
5.2.2. Génération des matrices de dissimilarité
6. Discussion
Chapitre 4 : Agrégation des schémas de clustering : Une nouvelle formulation du problème du clustering en aide multicritère à la décision
1. Motivations
2. L’agrégation des schémas de clustering
3. Contribution : une nouvelle formulation du problème du clustering en AMCD
3.1.Hypothèses
3.2.Problématique
3.3.Domaine d’extension
3.4.Résolution
4. Les approches de l’agrégation des schémas de clustering
4.1.Approche par minimisation des désagréments
4.1.1. Définition du désagrément en agrégation des schémas de clustering
4.2.Approches par ensemble
4.2.1. Les méthodes basées sur les matrices de co-association
4.2.2. Les méthodes basées sur les hypergraphes
4.2.3. Les méthodes basées sur le vote
4.2.4. La méthode COMUSA
4.2.5. La méthode CL_CONSENSUS
5. Description détaillée de l’approche proposée
6. Conclusion
Chapitre 5 : Evaluations et analyse de sensibilité
1. Introduction
2. Caractéristiques de l’approche proposée
3. Spécifications des études de cas
3.1.Problème1 : Business risk Failure
3.2.Problème2: Aménagement du territoire
4. Evaluation de notre approche
4.1.Evaluation de l’impact de l’indice de similarité sur la qualité des schémas de clustering individuels
4.2.Evaluation de l’impact de la méthode multicritère sur la qualité des schémas de clustering individuels
4.3.Comparaison de la mesure de dissimilarité proposée avec la distance développée par De Smet et Guzman
4.4.Evaluation de l’impact de la méthode d’agrégation sur la qualité du schéma de clustering final
5. Discussion sur la complexité de notre approche
6. Conclusion 
Chapitre 6 : Etude des propriétés relationnelles des clusters agrégés : Extension au clustering relationnel
1. Introduction
2. Définitions
2.1.Le clustering non-relationnel
2.2.Le clustering relationnel
2.3.Le clustering ordonné
3. Contribution : Extension de l’approche proposée au clustering relationnel
3.1.Définition d’une relation dominante
3.2.Exemple
3.3.Généralisation
4. Application au problème du Country Risk
5. Conclusion
Conclusion générale
Bibliographie
Annexe A
Annexe B