|
Co-clustering sous différentes approches: Modèles et algorithmes| old_uid | 12326 |
|---|
| title | Co-clustering sous différentes approches: Modèles et algorithmes |
|---|
| start_date | 2013/04/11 |
|---|
| schedule | 11h |
|---|
| online | no |
|---|
| summary | La classification automatique est devenue un outil important qui s'est beaucoup développé ces dernières années. Bien que les procédures de classification soient nombreuses et que la majorité d'entre elles ait pour objectif de construire une partition optimale des objets (lignes) ou des variables (colonnes), il existe d'autres méthodes, dites de classification croisée, qui considèrent les deux ensembles simultanément et cherchent à organiser les données en blocs homogènes. Comparées aux méthodes de classification classiques, les algorithmes de classification croisée ont démontré leur efficacité dans la découverte de structures à partir de matrices de données de grande taille (lignes et/ou colonnes), sparses ou non. Dans ma présentation, je vais considérer plusieurs approches en insistant particulièrement sur l'approche mélange basée sur les modèles latents par blocs (Latent Block Models) et l'approche factorisation basée sur la tri-factorisation de matrice non négative (Nonnegative Matrix Tri-Factorization). |
|---|
| responsibles | Revault d'Allonnes |
|---|
| |
|