Classification ascendante 2-3 hiérarchique : étude théorique et applicative

Agglomerative 2-3 hierarchical classification : theoretical and applicative study

• Auteur / Autrice : Sergiu Theodor Chelcea
• Direction : Jacques Lemaire, Brigitte Trousse
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2007
• Etablissement(s) : Nice
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Sophia Antipolis, Alpes-Maritimes)

Mots clés

Mots clés contrôlés

Algorithmes

Hiérarchie

Exploration de données

Résumé

Cette thèse porte sur une extension récente de la classification ascendante hiérarchique, appelée classification ascendante 2-3 hiérarchique (2-3 CAH), proposée par P. Bertrand en 2002, avec en vue son application en fouille de données. Les trois contributions majeures de cette thèse sont : i) quatre nouvelles propriétés des 2-3 hiérarchies (appelées aussi « paired hiérarchies ») issues d’une étude théorique qui nous ont permis de mettre en évidence un cas spécial de fusion des classes. Ii) Un nouvel algorithme général de la 2-3 CAH avec une complexité réduite de O(n3) à O(n2 log n). Les tests sur des différents ensembles de données ont confirmé notre analyse théorique de la complexité. Des résultats très satisfaisants ont été obtenus en analysant la « qualité » des 2-3 hiérarchies comparées aux hiérarchies classiques. Nous avons également proposé un modèle orienté-objet de notre algorithme ainsi qu’une boîte à outils appelée « Hierarchical Clustering Toolbox » (HCT). Iii) Une toute première étude de l’utilisation de la 2-3 CAH sur des données réelles relevant des domaines du Web Mining et de la classification de documents XML : celle-ci a donné lieu à des résultats intéressants et portait sur la comparaison de la classification 2-3 hiérarchique des équipes de recherche de l’INRIA en utilisant soit le comportement des utilisateurs Web, soit leur rapport annuel d’activité écrit en HTML par rapport à la structure organisationnelle existante en thèmes de recherche. Enfin, pour conclure, nous proposons plusieurs pistes de recherche future relatives à la 2-3 CAH et à notre boîte à outils HCT, développée pendant cette thèse.

This thesis deals with a recent extension of the agglomerative hierarchical classification, the agglomerative 2-3 hierarchical classification (2-3 AHC), proposed by p. Bertrand in 2002, with a focus on its application to the data mining. The three major contributions of this thesis are : i) four new properties of the 2-3 hierarchies (also called paired hierarchies) as a result of a theoretical study that allowed us to highlight a special case of clusters merging. Ii) A new general 2-3 AHC algorithm with a reduced complexity from (On3) to O(n2 log n). The tests on different datasets confirmed our theoretical complexity study. Very satisfying results were obtained by analyzing the “quality” of the 2-3 hierarchies compared with the traditional hierarchies. We also proposed an object-oriented model of our algorithm and a new toolbox called Hierarchical Clustering Toolbox (HCT). Iii) A first study of the applicability of the 2-3 AHC on real data from the Web Mining and XML Document Clustering fields. This study lead to interesting results and was based on the comparison of the 2-3 hierarchical clustering of INRIA’s research teams using either the Web users behaviour, or the research teams annual reports, with the existent structure of the research themes organization. Finally, to conclude, we propose several research perspectives related to the 2-3 AHC and to our HCT toolbox.