MultiCons: Multiple Consensus Clustering Method Using Frequent Closed Pattern Mining - Archive ouverte HAL Accéder directement au contenu
Rapport (Rapport De Recherche) Année : 2015

MultiCons: Multiple Consensus Clustering Method Using Frequent Closed Pattern Mining

Résumé

Clustering, which aim is to identify groups of similar instances in a dataset, is one of the important tasks in data mining. Many clustering algorithms were developed in the last 50 years. However, selecting an algorithm to cluster a dataset is a difficult task, especially if there is no previous knowledge on the structure of the data space. Consensus clustering methods can be used to combine multiple base clusterings into a new solution that provides better quality partitioning. In this work, we present a new consensus clustering method based on detecting underlying clustering patterns shared by base clusterings using frequent closed itemset mining. Instead of generating one consensus, this new approach generates multiple possible solutions, based on varying the number of base clusterings, and links these solutions in a tree-shaped hierarchical view that eases the selection of the most relevant clustering. This hierarchical view also provides an analysis tool of the dataset, for example, to discover strong clusters or outlier instances.
Le clustering, dont l'objectif est l'identification de groupes d'instances similaires dans un ensemble de données, est l'une des tâches les importantes de la fouille de données. De nombreux algorithmes de clustering ont été développés durant les 50 dernières années. Toutefois, choisir un algorithme pour regrouper des données par similarité est une tâche difficile, surtout si aucune connaissance préalable sur la structure de l'espace des données n'est disponible. Les méthodes de clustering par consensus peuvent être utilisées afin de combiner les résultats de plusieurs clusterings dans une nouvelle solution afin d'obtenir un partitonnement des instances de meilleure qualité. Dans ce travail, nous présentons une nouvelle méthode de clustering par consensus fondée sur la détection des motifs de regroupement sous-jacents communs aux clusterings initiaux en utilisant les itemsets fermés fréquents. De plus, au lieu de générer un unique consensus comme dans les approaches par consensus classiques, cette nouvelle approche permet de générer plusieurs solutions, en se basant sur la variation du nombre d'aggrégation des clusterings initiaux, et de les relier dans une vue hiérarchique afin de faciliter la sélection des regroupements les pus pertinents. Ce point de vue hiérarchique fournit également un outil d'analyse de l'espace des données, par exemple, afin de découvrir des sous-groupes d'instances fortements correlées ou des instances aberrantes.
Fichier principal
Vignette du fichier
MultiCons - research report.pdf (4.21 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01245704 , version 1 (17-12-2015)

Identifiants

  • HAL Id : hal-01245704 , version 1

Citer

Atheer Al-Najdi, Nicolas Pasquier, Frédéric Precioso. MultiCons: Multiple Consensus Clustering Method Using Frequent Closed Pattern Mining. [Research Report] Laboratoire d'Informatique, Signaux et Systèmes de Sophia-Antipolis I3S - UMR7271 - UNS CNRS. 2015. ⟨hal-01245704⟩
201 Consultations
631 Téléchargements

Partager

Gmail Facebook X LinkedIn More