Extraction de données symboliques et cartes topologiques: application aux données ayant une structure complexe - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2004

Symbolic Data Extraction and Self-Organizing Maps: An Application to Complex Data

Extraction de données symboliques et cartes topologiques: application aux données ayant une structure complexe

Résumé

The aim of symbolic data analysis is to provide a better representation of the variations and imprecision contained in real data. As such data express a higher level of knowledge; the representation must offer a richer formalism than that provided by classical data analysis. A generalization process exists that allows data to be synthesized and represented by means of an assertion formalism that was defined in symbolic data analysis. This generalization process is supervised and often sensitive to virtual and atypical individuals. When the data to be generalized is heterogeneous, some assertions include virtual individuals. Faced with this new formalism and the resulting semantic extension that symbolic data analysis offers, a new approach to processing and interpreting data is required. The original contributions of our work concern new approaches to representing and clustering complex data. First, we propose a decomposition step, based on a divisive clustering algorithm, that improves the generalization process while offering the symbolic formalism. We also propose a unsupervised generalization process based on the self-organizing map. The advantage of this method is that it enables the data to be reduced in an unsupervised way and allows the resulting homogeneous clusters to be represented by symbolic formalism. The second contribution of our work is a development of a clustering method to handle complex data. The method is an adaptation of the batch version of the self-organizing map to dissimilarity tables. Only the definition of an adequate dissimilarity is required for the method to operate efficiently.
Un des objectifs de lanalyse de données symboliques est de permettre une meilleure modélisation des variations et des imprécisions des données réelles. Ces données expriment en effet, un niveau de connaissance plus élevé, la modélisation doit donc offrir un formalisme plus riche que dans le cadre de lanalyse de données classiques. Un ensemble dopérateurs de généralisation symbolique existent et permettent une synthèse et représentation des données par le formalisme des assertions, formalisme défini en analyse de données symboliques. Cette généralisation étant supervisée, est souvent sensible aux observations aberrantes. Lorsque les données que lon souhaite généraliser sont hétérogènes, certaines assertions incluent des observations virtuelles. Face à ce nouveau formalisme et donc cette extension dordre sémantique que lanalyse de données symbolique a apporté, une nouvelle approche de traitement et dinterprétation simpose. Notre objectif au cours de ce travail est daméliorer tout dabord cette généralisation et de proposer ensuite une méthode de traitement de ces données. Les contributions originales de cette thèse portent sur de nouvelles approches de représentation et de classification des données à structure complexe. Nous proposons donc une décomposition permettant daméliorer la généralisation tout en offrant le formalisme symbolique. Cette décomposition est basée sur un algorithme divisif de classification. Nous avons aussi proposé une méthode de généralisation symbolique non supervisée basée sur l'algorithme des cartes topologiques de Kohonen. L'avantage de cette méthode est de réduire les données d'une manière non supervisée et de modéliser les groupes homogènes obtenus par des données symboliques. Notre seconde contribution porte sur lélaboration dune méthode de classification traitant les données à structure complexe. Cette méthode est une adaptation de la version batch de lalgorithme des cartes topologiques de Kohonen aux tableaux de dissimilarités. En effet, seule la définition dune mesure de dissimilarité adéquate, est nécessaire pour le bon déroulement de la méthode.
Fichier principal
Vignette du fichier
TU-1117.pdf (2.02 Mo) Télécharger le fichier

Dates et versions

tel-00178900 , version 1 (12-10-2007)

Identifiants

  • HAL Id : tel-00178900 , version 1

Citer

Aïcha El Golli. Extraction de données symboliques et cartes topologiques: application aux données ayant une structure complexe. Interface homme-machine [cs.HC]. Université Paris Dauphine - Paris IX, 2004. Français. ⟨NNT : ⟩. ⟨tel-00178900⟩

Collections

INRIA INRIA2
183 Consultations
498 Téléchargements

Partager

Gmail Facebook X LinkedIn More