Un nouveau modèle pour la classification non supervisée sous contraintes
Résumé
La classification non supervisée sous contraintes utilisateur a connu un essor important en fouille de données. Dans les dix dernières années, beaucoup de travaux se sont attachés à étendre les algorithmes classiques pour prendre en compte des contraintes utilisateur, mais ils sont en général limités à un seul type de contraintes.
Dans de précédents travaux \cite{DDV-ECML2013}, nous avons proposé un cadre générique et déclaratif, fondé sur la programmation par contraintes, qui permet de modéliser différentes tâches de clustering sous contraintes. L'utilisateur peut spécifier un parmi plusieurs critères d'optimisation et combiner différents types de contraintes. Ce modèle exige que le nombre de classes soit fixé à l'avance. Dans ce papier, nous présentons un nouveau modèle pour le clustering sous contraintes où le nombre de classes est seulement borné par
des bornes inférieure et supérieure.
Ce modèle, tout en offrant plus de flexibilité, est plus efficace
et les expérimentations montrent
que les performances obtenues sont meilleures que les méthodes complètes existantes traitant des mêmes critères.