Communication Dans Un Congrès Année : 2023

Multiple imputation for clustering on incomplete data

Résumé

Dans cet exposé, nous présentons comment l'imputation multiple peut être envisagée pour traiter les valeurs manquantes dans le cadre du clustering. Nous aborderons dans un premier temps la question de l'imputation des valeurs manquantes dans ce contexte et présenterons en particulier une approche d'imputation séquentielle intitulée FCS-homo. Ensuite, nous traiterons de l'étape d'analyse des tableaux imputés. Nous expliquerons notamment comment l'instabilité de chaque partition, obtenue à partir de chacun des tableaux imputés, peut être évaluée. Enfin, nous traiterons de la question de l'agrégation des différentes partitions et de leur mesure d'instabilité. La méthodologie proposée sera évaluée à l'aide d'une étude de simulation en comparaison avec les méthodes les plus récentes. Nous commençons par traiter le cas où les observations sont générées à partir d'un modèle de mélange gaussien avec des valeurs manquantes au hasard. L'étude sera ensuite complétée par des expériences basées sur différents jeux de données réel où la distribution des données est cette fois-ci inconnue. Ces premiers résultats tendent à montrer que l'imputation multiple est une méthode efficace pour traiter les données manquantes en clustering, que ce soit pour des approches basées sur des distances, telle que celle des k-means, ou pour des approches basées sur des modèles, telle que le clustering par modèle de mélange Gaussien.

seminaire_Vannes.pdf (882.8 Ko) Télécharger le fichier

Dates et versions

hal-05575596 , version 1 (08-04-2026)

Identifiants

  • HAL Id : hal-05575596 , version 1

Citer

Vincent Audigier, N Niang. Multiple imputation for clustering on incomplete data. Séminaire du Laboratoire de Mathématiques de Bretagne, Oct 2023, Vannes, France. ⟨hal-05575596⟩
11 Consultations
2 Téléchargements

Partager

  • More