-
Problème difficile
Je dispose de 10 000 vecteurs ayant 10 000 composantes chacuns.
Le but du jeu est d'essayer de les regrouper en paquets de vecteurs "proches". Par exemple, si j'ai 6 vecteurs à une dimension, par xemple 1,2, 11,12,13, 33 j'aimerai avoir 3 paquets [1,2], [11,12,13] et [33].
La première idée qui vient est d'utiliser la norme quadratique: si V et W sont deux tels vecteurs, N(V,W)=racine_carrée(somme((Vi-Wi)^2)).
Avec cette norme, on pourrait essayer de recouvrir l'espace R^10000 de sphères englobant nos 10000 vecteurs de façon "intelligentes". Mais attention au temps de calcul...
Quelqu'un a-t-il déjà travaillé sur un problème similaire??
-
Analyse en clusters (en Composantes principales)
-
-
Le principe est de se placer dans l'espace à 10 000 paramètres (cad tes 10 000 composantes), et de voir là où il y a des amas de points...
Le clustering permet de repérer ces groupements...
Pour ça plusieurs méthodes, dont l'une des plus efficaces est l'algorithme des k-moyennes : c'est un algo qui récursivement scinde l'espace en K régions...
On en a déjà parlé il y plusieurs mois sur ce forum, fais une recherche...
Sinon les mots clés pour Google sont clustering et K-means...
A+
-
L'ACP te permettra de trouver un espace où tes points "évoluent le plus".
Autre solution, l'algorithme du mean-shift. C'est un peu comme le K-mean, mais pas vraiment non plus ;)
-
-
C'est le site que j'utilise pour tous les problèmes de statistiques multivariés (j'aurais dû te l'indiquer, désolé :oops: ).
Les autres chapitres sont très bien aussi.
-
Mon bon mediat, tu es pardonné :wink:
