%0 Conference Paper
%F Oral 
%T Sur la normalisation de la matrice Laplacienne en partitionnement spectral
%+ Entrepôts, Représentation et Ingénierie des Connaissances (ERIC)
%A Ah-Pine, Julien
%< avec comité de lecture
%B Rencontres de la SFC (Société Francophone de Classification)
%C Lyon, France
%8 2017
%D 2017
%Z Statistics [stat]/Machine Learning [stat.ML]
%Z Computer Science [cs]/Machine Learning [cs.LG]Conference papers
%X Les méthodes de partitionnement spectral permettent de mieux tenir compte de la géométrie intrinsèque des données contrairement aux approches classiques telle que les k-moyennes. Ceci est permis par l'analyse de la ma-trice Laplacienne du graphe de similarités. Il existe plusieurs types de matrice Laplacienne qui peut être normalisée ou pas. Dans cette contribution, nous in-troduisons une généralisation de la normalisation par division symétrique. Nous présentons les motivations et propriétés de notre approche et nous montrons les résultats obtenus sur plusieurs jeux de données.
%G French
%2 https://hal.science/hal-01981818/document
%2 https://hal.science/hal-01981818/file/paper_sfc_17.pdf
%L hal-01981818
%U https://hal.science/hal-01981818
%~ UNIV-LYON1
%~ UNIV-LYON2
%~ ERIC
%~ LYON2
%~ UDL
%~ UNIV-LYON