Reconnaissance de forme et algorithme des k-means

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

Ou plus simple tu fais un k plus proches voisins !

Bonjour,

je vous conseille par la deuxième.

bon courage

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.

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.

Citation:

---

Envoyé par Bucketpc

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.

Principe des nuées dynamiques:

- Initialiser les groupes avec les données d'apprentissage
- calculer le centre de chaque groupe.
- affecter les nouvelles données d'entrée à la classe ayant le centre le plus proche.

Citation:

---

Envoyé par Bucketpc

Principe des nuées dynamiques:
- Initialiser les groupes avec les données d'apprentissage
- calculer le centre de chaque groupe.
- affecter les nouvelles données d'entrée à la classe ayant le centre le plus proche.

---

C'est aussi exactement le principe des k-means !
La différence dans ce cas c'est que la distance utilisée tiens compte de l'ensemble des individus (ou du moins des plus représentatifs). Donc ici lorsque l'on parle de centre, ce n'est pas forcément le barycentre.

Pour faire du supervisé il faut une base d'apprentissage avec des données étiquetés, dans ce cas on peut "superviser" si la sortie obtenue est bien conforme a ce qui est attendu. Hors, je n'ai pas l'impression que la base de image44 soit étiquetée, de plus si la consigne est d'utiliser les K-means ... Autant utiliser les K-means ...

Perso je choisirais la première méthode un peu modifiée :).

- Je ferais un apprentissage avec la base donnée en utilisant les K-means :ccool:

(qui peut être une collécte statistiquement représentative d'une population dans un contexte donné, donc bien une base d'apprentissage, que l'on cherche à "clusteriser", en quelque sorte à faire ressortir des groupe de caractéristique commune/proche, la base n'étant pas étiquetée.)

- Tu obtiens donc des classes représentées par leur noyau, que tu peut utiliser pour définir la classe/le cluster d'appartenance d'une nouvelle donnée en l'associant au noyau le plus proche :ccool:

- Mais en introduisant avec une distance max :D. C'est à dire que si ta donnée est trop loin de tout centre précédemment calculé, alors il faut considérer qu'elle appartient à un groupe non encore définit. Pour éviter d'avoir des centaines de groupe dût à des outliners, des données aberrantes, tu peux faire un post traitement qui suprime les clusters dont le nombre de répresentant est inférieur à un certain delta.

Comme la dit Toto13, faire un état de l'art serait une bonne idée. La littérature sur le clustering est assez large, il existe une multitude de raffinage qui peut être bon de mettre en oeuvre pour avoir une resultat plus stable.

En espérant que cela puisse t'aider.

merci à tous, je pense que le problème est tj le k_means car il présente un problème d'initialisation, pour chaque k-means on a un resultat différent du précédent, alors trouver une méthode d'initialisation peut régle le problème.

Citation:

---

Envoyé par ToTo13

Donc si tu veux utiliser cette méthode, je te conseille faire un état de l'art des méthodes d'initialisation.

---

On est d'accord.
Pour m'a part, j'avais réussi à stabiliser la méthode en calculant les formes fortes.
Sinon il faut regarder du coté de l'algo d'initialisation de JMP qui semble (réputé) très astucieux.