Comparaison de différents modèles de programmation par contraintes pour le clustering conceptuel
Résumé
Conceptual clustering allows to partition a set of objects into clusters of similar objects, corresponding to formal concepts. We present a new approach based on constraint programming where formal concepts are extracted in a pre-processing step by using a dedicated data-mining approach. We compare the efficiency of our approach with several recent approaches using constraint programming or integer linear programming on classical machine learning instances. We also introduce a new set of instances coming from a real application case, which aims at extracting setting concepts from an Enterprise Ressource Planning (ERP) software. We assess the relevance of extracted concepts depending on criteria used in the objective function.
Le clustering conceptuel permet de partitionner un ensemble d'objets en clusters d'objets similaires, correspondant à des concepts formels. Nous présentons une nouvelle approche basée sur la programmation par contraintes, où l'ensemble des concepts formels est extrait dans une étape de pré-traitement en utilisant des techniques spécialisées de fouille de données. Nous comparons l'efficacité de notre approche avec celle de plusieurs approches récentes utilisant la programmation par contraintes ou la programmation linéaire en nombres entiers sur des instances classiques d'apprentissage automatique. Nous introduisons également un nouvel ensemble d'instances provenant d'une application réelle, visant à extraire des concepts de paramétrage à partir de séquences de paramétrage d'un progiciel de gestion, et nous évaluons la pertinence des concepts extraits en fonction des critères utilisés dans la définition de la fonction objectif.
Domaines
Intelligence artificielle [cs.AI]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...