1 / 44

S i C

P. S i C. artage. onnaissance. nformel. éminaire. P. roblèmes. KmL : K- Means pour données Longitudinales. Christophe Genolini Bruno Falissard. Définition. Deux trajectoires. Dix trajectoires. Trop de trajectoires. Problème…. Solution : clusters.

hazel
Download Presentation

S i C

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. P S i C artage onnaissance nformel éminaire P roblèmes

  2. KmL: K-Means pour données Longitudinales Christophe Genolini Bruno Falissard

  3. Définition

  4. Deuxtrajectoires

  5. Dix trajectoires

  6. Trop de trajectoires... Problème…

  7. Solution : clusters

  8. Exemple de clusterisation

  9. Comment clusteriser ? • Algorithmes paramétriques • Algorithmes non paramétriques

  10. Comment clusteriser ? • Algorithmes paramétriques • Exemple : proc traj • Basés sur la vraisemblance • Algorithmes non paramétriques • K means (KmL)

  11. I ♥ Quebec…

  12. Vraisemblance pour la taille Taille = 5.9 Petite vraisemblance Grance vraisemblance

  13. Quiz

  14. Quiz

  15. Quiz

  16. Quiz

  17. Algorithmesparamétriques • Nombre de clusters • Forme des trajectoires • Forme des distributions (poisson, normal…) Maximisation de la vraisemblance

  18. Faiblesse:Nombre de groupes

  19. Faiblesse :Forme des trajectoires

  20. Faiblesse :Forme des distributions

  21. Faiblesse :Trajectoires non classiques

  22. Mauvaisevraisemblance

  23. Exempleartificiel ?

  24. algorithme Non Parametrique • Nombre de clusters Maximisation d’un critère (distance)

  25. K Means Longitudinal

  26. K Means Longitudinal

  27. K Means Longitudinal

  28. K Means Longitudinal

  29. Celamarche-t-il ? > KmF(cld3,4,1,print="all")

  30. Force : Valeursmanquantes

  31. Faiblesse : maximum local

  32. Solution : retirage

  33. Problème : nombre de clusters

  34. Bilan > KmF(cld4,2:4,10,print="all") > choice(cld4)

  35. Perspective : Joint trajectories • plot(ld7,col=rep(1,120)) • plot(ld7,col=rep(2:7,20))

  36. Perspective : nombre de clusters

  37. Perspective : regroupersur les silhouettes

  38. Perspective : Regroupersur les silhouettes Classique Silhouettes

  39. Wanted:collaborateurS...

  40. Perspective : nombre de clusters

  41. Perspective :“shape distance”

  42. Missing values

  43. Missing values

  44. Perspective:Missing values for joinT trajectories • Can we measure once every two years?

More Related