On clustering in multiple criteria decision aid : theory and applications
Le clustering en aide multicritère à la décision : théorie et applications
Résumé
The problem of clustering has been widely studied in the context of data mining, where by grouping objects that are similar and separating those that are dissimilar we are able to find the natural structure of the data, from which we can then extract knowledge by using different summarizing measures. The field of Multiple Criteria Decision Aid (MCDA) focuses on modeling the preferences of real decision-makers and aids them in reaching certain decisions. While problems like choice, sorting and ranking have been thoroughly studied in MCDA literature, the problem of clustering has received less attention. Furthermore, many clustering approaches in MCDA use measures related to similarity and do not exploit the additional preferential information that is present in this context. The thesis addresses these issues by first drawing a parallel between clustering in data mining and MCDA and redefining this problem in the latter field. Several different models are then proposed for the problem, as well as a few algorithms for solving it, which are then validated over a large set of benchmarks which have been created specifically for this purpose, by encapsulating as many and diverse potential problems inside them. Finally we consider a few practical applications through the use of several descriptive measures and extensions of the algorithms for handling large datasets, which are illustrated in part over a real case study.
Le problème de la classification non supervisée (clustering) a été largement étudié dans le contexte de l'analyse de données, où la structure naturelle des données est dévoilée en groupant des objets similaires tout en séparant ceux qui ne le sont pas. L'Aide Multicritère à la Décision (AMCD) modélise les préférences de décideurs et les aide à choisir une solution appropriée parmi un ensemble d'alternatives. Dans ce contexte, les problématiques du choix, du tri et du rangement ont été largement étudiés, alors que celle du clustering l'a été bien moins. De plus, la plupart de ces approches de résolution en AMCD utilisent des mesures de similarité et n'exploitent pas l'information préférentielle supplémentaire qui est disponible. Dans cette thèse nous étudions ce problème du clustering en AMCD en faisant d'abord un parallèle entre l'analyse de données et l'AMCD pour ensuite proposer le problème de la classification non supervisée en AMCD. Différents modèles sont alors proposés pour résoudre ce problème, ainsi que des algorithmes de résolution, qui sont validés sur un grand nombre de problèmes générés artificiellement. Pour terminer, nous envisageons différentes applications via l'utilisation de différentes mesures descriptives des classes, ainsi que l'extension des algorithmes à des volumes de données importants. Une application est résolue à la fin de la thèse pour illustrer l'intérêt des outils proposés.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...