SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

S i C

hazel avatar
hazel
44 diapositives · 625 Views · Aug 21, 2014

P. S i C. artage. onnaissance. nformel. éminaire. P. roblèmes. KmL : K- Means pour données Longitudinales. Christophe Genolini Bruno Falissard. Définition. Deux trajectoires. Dix trajectoires. Trop de trajectoires. Problème…. Solution : clusters.

#s i c #s i c ppt #powerpoint #presentation
S i C - slide 1
01 / 44S i C
1 / 17

Télécharger la présentation

S i C
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. P S i C artage onnaissance nformel éminaire P roblèmes

  2. KmL: K-Means pour données Longitudinales Christophe Genolini Bruno Falissard

  3. Définition

  4. Deuxtrajectoires

  5. Dix trajectoires

  6. Trop de trajectoires... Problème…

  7. Solution : clusters

  8. Exemple de clusterisation

  9. Comment clusteriser ? • Algorithmes paramétriques • Algorithmes non paramétriques

  10. Comment clusteriser ? • Algorithmes paramétriques • Exemple : proc traj • Basés sur la vraisemblance • Algorithmes non paramétriques • K means (KmL)

  11. I ♥ Quebec…

  12. Vraisemblance pour la taille Taille = 5.9 Petite vraisemblance Grance vraisemblance

  13. Quiz

  14. Quiz

  15. Quiz

  16. Quiz

  17. Algorithmesparamétriques • Nombre de clusters • Forme des trajectoires • Forme des distributions (poisson, normal…) Maximisation de la vraisemblance

  18. Faiblesse:Nombre de groupes

  19. Faiblesse :Forme des trajectoires

  20. Faiblesse :Forme des distributions

  21. Faiblesse :Trajectoires non classiques

  22. Mauvaisevraisemblance

  23. Exempleartificiel ?

  24. algorithme Non Parametrique • Nombre de clusters Maximisation d’un critère (distance)

  25. K Means Longitudinal

  26. K Means Longitudinal

  27. K Means Longitudinal

  28. K Means Longitudinal

  29. Celamarche-t-il ? > KmF(cld3,4,1,print="all")

  30. Force : Valeursmanquantes

  31. Faiblesse : maximum local

  32. Solution : retirage

  33. Problème : nombre de clusters

  34. Bilan > KmF(cld4,2:4,10,print="all") > choice(cld4)

  35. Perspective : Joint trajectories • plot(ld7,col=rep(1,120)) • plot(ld7,col=rep(2:7,20))

  36. Perspective : nombre de clusters

  37. Perspective : regroupersur les silhouettes

  38. Perspective : Regroupersur les silhouettes Classique Silhouettes

  39. Wanted:collaborateurS...

  40. Perspective : nombre de clusters

  41. Perspective :“shape distance”

  42. Missing values

  43. Missing values

  44. Perspective:Missing values for joinT trajectories • Can we measure once every two years?