Royaume de Maroc Université Hassan Premier Settat Faculté des Sciences et Techniques de Settat LA CLASSIFICATION K-MEANS SOUS R /MATLAB Master :Automatique Traitement de Signal Informatique Industriel Module : Analyse de données A.U:2017/2018

Introduction La Classification K-means Application de K-means sur une image sous Matlab Applications de K-means sous R Plan de la présentation Conclusion 5

3 Introduction Définition: La classification  Maximiser la similarité intra-classe  Minimiser la similarité inter-classe Objectif: facilite l’étude et interprétation d’une phénomène Introduction | La Classification K-means| Application de K-means sous Matlab | Applications de K-mens sous R | Conclusion

4 Les types de la classification : classification Non Hiérarchique K-meansHiérarchique Introduction | La Classification K-means| Application de K-means sous Matlab | Applications de K-mens sous R | Conclusion

5 La Classification K-means Le k-means est un algorithme itératif qui minimise la somme des distances entre chaque objet et le centre de son classe:  Choix aléatoire du nombre K des classes  Choix K individus qui vont représenter les centres des K classes  Calculer la distance entre chaque individus dans le nuage des points et les centres des classes choisies,  Attribuer chaque individu au centre le plus proche pour construire les K classes  Une fois tous les individus sont placés, recalculer les K centres,  Répéter les étapes jusqu’à ce qu’on arrive à des classes stables, Introduction | La Classification K-means| Application de K-means sous Matlab | Applications de K-mens sous R | Conclusion

6 Exemple Introduction | La Classification K-means| Application de K-means sous Matlab | Applications de K-mens sous R | Conclusion

7 Application de K-means sur une image sous matlab  Distinguer automatiquement les cas sains des cas pathologiques  Caractériser de façon pertinente les images médicales  Fournir au praticien des données liées à la décision Introduction | La Classification K-means| Application de K-means sous Matlab | Applications de K-mens sous R | Conclusion Image IRM

8 Programme sous Matlab Introduction | La Classification K-means| Application de K-means sous Matlab | Applications de K-mens sous R | Conclusion

9 Résultats de la classification k-means Introduction | La Classification K-means| Application de K-means sous Matlab | Applications de K-mens sous R | Conclusion

10 Résultats de la classification k-means Introduction | La Classification K-means| Application de K-means sous Matlab | Applications de K-mens sous R | Conclusion

11 Application sur une image Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

12 Application sur une image Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

13 Application sur une image Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion Lire l’image. Obtenir les dimension de l’image. Imposer l’image dans un format de trame de données. Reprendre l’image originale. Lancer le nombre de clusters souhaités. Tracer l’image avec cinq couleurs.

14 Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion Application sur une image

15 Application sur une image Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

16 Application de K-Means sous R Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

17 Les déférents instruction à faire Le chargement des packages # data manipulation > library(tidyverse) # clustering algorithms > library(cluster) # clustering algorithms & visualization > library(factoextra) lire (importe) les données : > data=read.csv2("note.csv",row.names=1) normaliser les données en utilisant fonction scale: > data=scale(data) Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

18 Distance entre les individus et lui même get_dist : pour calculer une matrice de distance entre les lignes d'une matrice de données. La distance par défaut calculée est l’Euclidien. fviz_dist : pour visualiser une matrice de distance. > distance = get_dist ( data ) > fviz_dist (distance, gradient = list ( low = "#00AFBB“, mid ="white", high ="#FC4E07" )) Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

19 Interprétation Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

Cas 1 : nombre de classe égale à 2 : > k2 str ( k2 ) Résultat application k=2: formule de décomposition de huygens: I_totale =I_intra+I_inter Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

21 Visualisation des résultats de K-Means  fviz_cluster (k2, data ) Cette fonction fournit une belle illustration des classes. S'il y a plus de deux dimensions (variables), fviz_cluster effectuera une analyse en composantes principales (ACP) et tracera les points de données selon les deux premiers composants principaux. Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

Interprétation des résultats avec k=2 Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion  fviz_cluster (k2, data )

Cas 2 : nombre de classe égale à 3 : > k3 str ( k3 ) Résultat application k=3: formule de décomposition de huygens: I_totale =I_intra+I_inter Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

24 Interprétation des résultats avec k=3 Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion  fviz_cluster (k3, data )

25 tableau des villes à classifier Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

26 Code > library(tidyverse) > library(cluster) > library(factoextra) > data=read.csv2("temp.csv",row.names=1) > data=scale(data) > distance <- get_dist(data) > fviz_dist ( distance,gradient = list (low = "#00AFBB",mid= "white",high="#FC4E07" )) > k3<-kmeans ( data, centers =3 ) > fviz_cluster ( k3, data ) Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion

27 des résultats après l’exécution de k-means Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion  fviz_cluster (k3, data )

28 Conclusion Introduction | La Classification | La Classification K-means | Applications sous R | Conclusion Avantages : Applicable à des données de grandes tailles La convergence est parfois possible en une seule itération Inconvénients : On ne connait pas le nombre K optimal de classes La partition finale dépend du choix initial des centres de classes

Merci de votre attention