Extraction de concepts descriptifs avec exceptions par classification non supervisée hybride
Résumé
La modélisation de concepts naturels procède le plus souvent par interrogation d’experts, pour établir un lien entre les descriptions numériques disponibles et les descriptions linguistiques utilisées naturellement. Nous proposons ici d’exploiter directement des ensembles de données non étiquetés, et d’extraire les concepts qui permettent une description sémantique de ces données. La méthode proposée consiste d’abord à identifier les sous-groupes correspondant aux concepts, puis à les représenter sous la forme de sous-ensembles flous. L’identification doit conserver les exceptions présentes dans la base, qui peuvent être associées à des concepts minoritaires mais caractérisent l’ensemble de données ; elle est basée sur la combinaison, dans une procédure itérative, d’un algorithme de clustering hiérarchique et des c-moyennes floues. La description est faite par des fonctions d’appartenance de type gaussiennes généralisées. L’adéquation des résultats de la méthode avec des classifications spontanées est illustrée sur des ensembles de données artificiels et réels.