Development of clustering algorithms for categorical data and applications in Health
Dévelopement de nouveaux algorithmes de classification non-supervisée pour des données catégorielles et applications en santé
Résumé
Clustering is a popular unsupervised machine learning method that consists of grouping similar data objects in the same group and dissimilar objects in different groups. Among the clustering family methods, we can distinguish the partition-based methods which produce partitions of data objects. The type of the obtained partitions depends on the theory used. Hard partitions can be obtained with the hard sets theory whereas imprecision and uncertainty theories such as the fuzzy sets theory and the Dempster-Shafer theory of evidence can be used to obtain fuzzy partitions.In this thesis, an extension of the fuzzy k-modes clustering method referred to as categorical fuzzy entropy c-means is firstly proposed. The new method uses the fuzzy sets theory to model the imprecision of object assignments to clusters and the representation of the centers of the clusters by associating weights to each attribute category which indicates their importance. A second new method referred to as categorical evidential c-means is proposed as a categorical version the evidential c-means. The latter method uses the Dempster-Shafer theory of evidence to capture the uncertainty of object labeling.Several experiments on different datasets were conducted to illustrate the strengths of the new methods and to compare them with existing numerical and categorical clustering methods. In addition, the two methods were used to investigate the replication of new findings in developmental sciences on the influence of lifestyle factors on the cognitive health. The results of these experiments showed that the proposed methods have good performances and can handle imperfect data. Finally, research directions are given to extend the two methods to capture non-linear relationships among the variables of the input data and to suit time series data.
La classification non supervisée est une méthode d'apprentissage automatique populaire qui consiste à regrouper des objets de données similaires dans le même groupe et des objets dissemblables dans différents groupes. Parmi les méthodes de classification, on peut distinguer les méthodes basées sur des partitions qui produisent des partitions d'objets de données. Selon la théorie utilisée, les partitions obtenues peuvent être de différents types. En utilisant la théorie des ensembles (durs), les partitions produite sont dites dures. Les théories d'imprécision et d'incertitude telles que la théorie des ensembles flous et la théorie des fonctions de croyances de Dempster-Shafer peuvent être utilisées pour obtenir des partitions floues.Dans cette thèse, une extension de la méthode de classification des k-modes flous appelée c-moyennes floues catégorielles avec entropie est proposée dans un premier temps. La nouvelle méthode utilise la théorie des ensembles flous pour modéliser l'imprécision des affectations d'objets aux classes et la représentations des centres des classes en associant des poids à chaque catégorie d'attributs qui indiquent leur importance. Par la suite, une deuxième nouvelle méthode appelée c-moyennes évidentielles catégorielles est proposée comme une version catégorielle de l'algorithme des c-moyennes évidentielles. Cette dernière méthode utilise la théorie des fonctions de croyance Dempster-Shafer afin de modéliser l'incertitude de la classification des objets.Plusieurs expériences sur différentes données ont été menées pour illustrer les points forts des nouvelles méthodes et pour comparer ces dernières avec des méthodes de classification numériques et catégorielles existantes. En outre, les deux méthodes ont été utilisées pour étudier la réplication de nouvelles découvertes en sciences du développement sur l'influence des facteurs liés au mode de vie sur la santé cognitive. Les résultats de ces expériences ont montré que les méthodes proposées ont de bonnes performances et peuvent gérer des données imparfaites. Enfin, des orientations de recherche sont données pour étendre les deux méthodes afin de capturer les relations non linéaires entre les variables des données d'entrée et pour des données de temporelles.
| Origine | Version validée par le jury (STAR) |
|---|