Discussion :

[image44]

Bonjour à tous,

Je veux utiliser le k_means pour un problème de reconnaissance de formes, j’ai une base d’apprentissage (des images types), j’ai deux méthodes en tête je ne sais laquelle est bonne :

1)Je fais le k_means pour la base d’apprentissage suivi d’un étiquetage et lorsque j’ai une forme entrante je calcule les distances entre cette forme et les centres de classes issus de k_means, enfin j’assigne au minimum distance

2)Ou bien à chaque fois que j’ai une forme entrante inconnue, je dois faire le k_means en incluant la forme inconnue (base d’apprentissage + forme inconnue), et un étiquetage détermine la classe de la forme.

Merci d’avance

[ToTo13]

Ou plus simple tu fais un k plus proches voisins !

[padmasana]

Bonjour,

je vous conseille par la deuxième.

bon courage

[image44]

bonjour;
le kppv est une bonne méthode mais dans mon travail est demandé de travailler avec le k_means, si vous pouvez juste me dire pour quoi la 2ème que la 1ère. et merci.

[Bucketpc]

Il y a des méthodes de classification supervisée, pourquoi utiliser une méthode non supervisée pour faire du supervisé ?

vous pouvez utiliser le k-means en supervisé, ça s'appèle les nuées dynamique (Centroid-based classification). Dans ce cas vous allez calculer les centres des classes, et a chaque fois que vous aurez une entrée vous la comparez avec les centres, et vous l'affectez au centre le plus proche.

[ToTo13]

vous pouvez utiliser le k-means en supervisé, ça s'appèle les nuées dynamique (Centroid-based classification). Dans ce cas vous allez calculer les centres des classes, et a chaque fois que vous aurez une entrée vous la comparez avec les centres, et vous l'affectez au centre le plus proche.

Euh... je ne crois pas que ce soit réellement ça les nuées dynamiques.

Si tu utilises la :
- première solution, tu affectes un nouvel individu à une classe existante.
- deuxième solution, tu remets à jour tes classes à chaque nouvel individu. Mais là, tu risques de les modifier complètement à chaque ajout d'un nouvel individu.

Le problème avec les k-means dans leur forme classique, c'est que si tu fais N classifications successives, tu auras N résultats différents à cause de l'initialisation aléatoire.
Donc si tu veux utiliser cette méthode, je te conseille faire un état de l'art des méthodes d'initialisation.