Évaluation en cascade d'algorithmes de clustering

National audienceCet article se place dans le cadre de l'évaluation des résultats d'algorithmes de clustering et de la comparaison de tels algorithmes. Nous proposons une nouvelle méthode basée sur l'enrichissement d'un ensemble de jeux de données étiquetés indépendants par les résultats des algorithmes de clustering considérés, et sur l'utilisation d'un algorithme supervisé pour évaluer l'intérêt de ces nouvelles informations apportées. Nous adaptons ainsi la technique de cascade generalization (Gama & Brazdil, 2000) au cas où l'on combine un apprenant supervisé et un apprenant non supervisé. Nous considérons également le cas où des apprentissages supervisés indépendants sont exécutés sur les différents groupes de données identifiés par le clustering (Apte et al., 2002). Nous avons mené des expérimentations en considérant différents algorithmes supervisés pour comparer plusieurs algorithmes de clustering. Nous montrons ainsi le comportement cohérent de la méthode proposée qui met en avant, par exemple, le fait que les algorithmes de clustering basés sur l'utilisation de modèles proba- bilistes plus complexes surpassent les algorithmes basés sur des modèles plus simples