= Classification Data Mining 2015= 

----

Les pdf utiles :

{{:public:res-ens:classification-data-mining:datamining-1.pdf| Sandrine}}

{{:public:res-ens:classification-data-mining:predictionsupervisee.pdf|Vincent}}

{{:public:res-ens:classification-data-mining:exo-supplementaire.pdf| Exo supplémentaire}}

{{:public:res-ens:classification-data-mining:precisapp.pdf|Précis d'apprentissage}}


Indications relatives à l'examen de 2014 :

-------------------------------------------------------
-------------------------------------------------------
Exo 1
1) matrice de variance-covariance : [25/3 3.5;3.5 5/3]
2) valp1=59/6, valp2=1/6
vecp1=[3.5 1.5] et vecp2 perpendiculaire à vp1

Exo2 :
Avantages : pas de nombre de classes à déterminer au départ, pas d'initialisation de centres, outliers autorisés

Résultat Méthode Kmeans :
- Classe 1 : {a,b,c}
- Classe 2 : {d,e,f}
- Classe 3 : {g,h,i,j}

Résultat de DBSCAN avec epsilon = 1 : valeur de paramètre critique => chaque point est considéré comme outlier.
Pour epsilon = sqrt(2) (modification du sujet)
- Classe 1 : {a,b,c}
- Classe 2 : {g,h,i,j}
- Outliers : d,e,f

Exo 3 :
Approcher les espérances par des moyennes empiriques (ce qui explique le caractère très approximatif de la démarche).