La classification

BENAMEUR Sabrina
benameur_s@yahoo.fr
Dpartement dinformatique
Universit Mohamed Khider Biskra

Plan du Cours
Classification
Classification/

Segmentation
Lalgorithme des k-moyennes
Exemples (rsultats de
classification par K-means)

Classification
Les

techniques de classification sont

anciennes.
C'est
une
tape
d'abstraction
et
de
synthse
ncessaire dans toute les sciences.
Avec l'avnement de l'informatique
dans
les
annes
1960,
ces
mthodes ont connu de nouveaux
dveloppements mthodologiques
qui ont donn lieu des algorithmes
de classification automatique.
3

Classification
Il

s'agit d'organiser les lments

analyss en classes telles que les
lments d'une mme classe se
ressemblent, et se ressemblent plus que
2 lments de 2 classes diffrentes.
Les mthodes de classifications sont
une
composante
des
mthodes
d'analyse des donnes. Elles sont
aussi une premire tape de certaines
mthodes de reconnaissance de
formes.
4

Classification/segmentation
Dans

le cadre de la segmentation :
attribuer une tiquette (classe) aux pixels
sur la base de leur similarit.
Cette tiquetage se fait en utilisant des
attributs dont le premier est lintensit.
Mthode utilisant seulement lintensit
sera
qualifie
de
mthode
monodimensionnelle,
les
mthodes
utilisant
plusieurs
attributs
sont
multidimensionnelles.

Classification/segmentati
on

Notez que les problmes de

segmentation et classification sont
trs lies et peuvent tre utiliser pour
signifier la mme chose :

Un classifieur implicitement segmente

une image : l'ensemble des pixels ayant
la mme classe forme une rgion de
l'image
une
segmentation
implique
une
classification
(les
rgions
sont
tiquetes selon leurs appartenances)
6

Lalgorithme des kmoyennes

k-means Algorithme des centres

mobiles : mthode de classification
automatique qui a pour objectif de
partitionner lespace des attributs en
k classes (k-connus)
A partir dune partition initiale on
amliore itrativement la partition de
lespace en minimisant la variance
intraclasse
et
en
maximisant
lcartement entre les classes
7

Algorithme des kmoyennes

Dans un premier temps les

objets sont
regroupes autour de K centres arbitraire
c1, , cK de la manire suivante :

la classe Ci associe au centre ci est constitue

de lensemble des points les plus proches de ci
que tout autre centre.
Les centres de gravit g1,, gK sont ensuite
calculs partir des classes dtre formes.
On recommence lopration en prenant comme
centre de classe les centres de gravit trouvs
et ainsi de suite jusqu' ce que les objets ne
change plus de classe.
8

Algorithme des kmoyennes

Remarques :
Le nombre de classes K fix au dbut
peut diminuer au cours des itrations :
en effet ; si une classe nattire aucun
objet, elle sera vide et donc limine.
Le principal inconvnient des centres
mobiles est que la partition finale
dpend du choix de la partition
initiale.

Algorithme des kmoyennes

Une

solution
:
utiliser
lalgorithmes plusieurs fois avec
des initialisations diffrentes et
choisir la partition qui revient le
plus souvent

10

Algorithme des kmoyennes

De nombreuses variantes peuvent tre

rencontres, par exemple au lieu de
calculer le centre des classes aprs avoir
affect tous les objets, le centre peut
tre recalcul aprs chaque affectation ;
La mthode de centres mobiles a t
gnralise sous lappellation de la
mthode des nues dynamiques.
Au lieu de dfinir une classe par un seul point,
son centre de gravit, on la dfinit par un
groupe dobjets formant un noyau
11

Algorithme des kmoyennes

Exemple:
Appliquer la mthode K-means au
cas o on recherche deux classes
dans l'ensemble de points dfinis
dans R2 par (2,1) (-1,2) (0,-2) (0,1) (0,1) (0,2) (0,3) (1,-1), avec les
centres de dpart (-2,-1) et (2,3).

12

Algorithme des kmoyennes

13

Algorithme des kmoyennes

14

Algorithme des k-moyennes

cas de la segmentation dimage
1.
2.

3.

Choix de K centres
Pour chaque pixel de limage :
Calculer la distance entre ce pixel et
tous les centres
Affecter le pixel courant la classe du
centre ci dont la distance est minimale

Calculer les nouveaux centres, et

revenir (2) jusqu que les
classes deviennent presque stable.
15

Algorithme des kmoyennes

Avantages:

Trs facile comprendre et mettre en uvre

Ne ncessite aucune information sur les
donnes.
Simple du point de vu conceptuelle.
Rapide et nest pas couteux en taille mmoire.
La mthode est applicable tout type de
donnes

16

Algorithme des kmoyennes

Inconvnients

La partition finale dpend de la

partition initiale
Le nombre de classes est un
paramtre de lalgorithme.
Un mauvais choix du nombre de
classes k produit de mauvais
rsultats.
Sensible au bruit.
17

Exemples (Rsultats de Kmeans)

Test

1: image (270x270), k= 25,

Taux=0.1

Nombres

des rgions finales : 22 /

24 / 22
18

Exemples (Rsultats de Kmeans)

Test

2: image (270x270) , K=8 ,

Taux=0.1

Nombres

des rgions finales : 8/

8/8
19

Exemples (Rsultats de Kmeans)

Test

2: image (270x270) , K=2 ,

Taux=0.1

Nombres

des rgions finales : 2/ 2/

2
20