Co-classification sous contraintes

Description

Co classification sous contraintes
Ruggero G. Pensa, Celine´ Robardet, Jean Franc ¸ois Boulicaut
INSA Lyon, LIRIS CNRS UMR 5205
Batimentˆ Blaise Pascal
F 69621 Villeurbanne cedex, France
ruggero.pensa@insa lyon.fr
celine.robardet@insa lyon.fr
jean francois.boulicaut@insa lyon.fr
Resum´ e´ : La co classification est une technique de classification conceptuelle
importante. Dans le cas de donnees´ categorielles,´ il s’agit de calculer des col
lections de bi clusters, i.e., des clusters d’objets et de couples atttributs valeurs
associes´ (propriet´ es´ booleennes).´ En marge du besoin classique d’optimiser une
´ ´fonction objectif sur la qualite des groupements, l’amelioration de la pertinence
´ ˆdes bi clusters calcules reste une tache difficile. Tout d’abord, il faudrait pou
voir exprimer l’inter´ etˆ subjectif de l’analyste, e.g., la definition´ declarati´ ve de ses
attentes au regard de sa connaissance du domaine. Ensuite, memeˆ si de telles
specifications´ existent, par exemple au moyen de contraintes sur les bi clusters,
l’exploitation de ces contraintes lors du processus heuristique de classification
reste un probleme` ouvert. A notre connaissance, la classification sous contraintes
n’a et´ e´ que peu etudi´ ee´ et n’a concerne´ des types de contraintes simples. Tout
d’abord, nous considerons´ la co classification plutotˆ qu’une classification mono
dimensionnelle. Ensuite, nous etudions´ de nouveaux types de contraintes utiles a`
l’analyse de donnees´ ordonnees,´ par exemple ...

Sujets

• Banque d'Estonie
• Cluster
• Ensemble musical
• D'une ombre à l'autre
• Booléen
• Loup (homonymie)

Informations

• Publié par: Asla
• Nombre de lectures: 105
• Langue: Français

Extrait

Co-classication sous contraintes Ruggero G. Pensa, Ce´line Robardet, Jean-Franc¸ois Boulicaut

INSA Lyon, LIRIS CNRS UMR 5205 Baˆtiment Blaise Pascal F-69621 Villeurbanne cedex, France [e-mail] [e-mail] [e-mail] R ´ sum ´ e : La co-classication est une technique de classication conceptuelle e importante. Dans le cas de donne´es cate´gorielles, il s’agit de calculer des col- lections de bi-clusters, i.e., des clusters d’objets et de couples atttributs-valeurs associe ´ s(proprie ´ te ´ sbool ´ eennes).Enmargedubesoinclassiqued’optimiserune fonctionobjectifsurlaqualit´edesgroupements,l’am´eliorationdelapertinence des bi-clusters calcule´s reste une taˆche difcile. Tout d’abord, il faudrait pou- voirexprimerl’int´ereˆtsubjectifdel’analyste,e.g.,lade´nitionde´clarativedeses attentes au regard de sa connaissance du domaine. Ensuite, meˆme si de telles specications existent, par exemple au moyen de contraintes sur les bi-clusters, ´ l’exploitation de ces contraintes lors du processus heuristique de classication reste un probleme ouvert. A notre connaissance, la classication sous contraintes n’ae´t´equepeue´tudie´eetn’aconcerne´destypesdecontraintessimples.Tout d’abord, nous consid e´rons la co-classication plutoˆt qu’une classication mono- dimensionnelle. Ensuite, nous e´tudions de nouveaux types de contraintes utiles a l’analysededonne´esordonn´ees,parexempledansletemps.Enn,nousmontrons quenotrecadreg ´ en ´ eriquedeco-classicationa  partirdemotifslocauxpeute ˆ tre exploit´epourlaco-classicationsouscontraintes.Nousre´alisonsunevalidation expe ´ rimentalesurdeuxjeuxdedonn ´ eesd’expressiondege  nes.

1 Introduction Denombreusestechniquesdefouillededonn ´ eesonte ´ te ´ de ´ velopp ´ eespourassis- terlad´ecouvertedeconnaissancesapartirdegrandesmatricesboole´ennes.Cetype dedonne ´ espermetd’enregistrerquellessontlesproprie ´ t ´ essatisfaites(attributsou colonnes) par un certain nombre d’objets (lignes). Par exemple, dans la matrice r (Table 1), l’objet t 2 satisfait seulement les proprie´te´s g 2 et g 5 . L’une des applications quimotivenosrecherchesconcernel’analysededonn´eesboole´ennespourl’´etudedu transcriptome (e.g., des matrices qui codent la sur-expression de genes dans un cer- tainnombredeconditionsexp´erimentales(Besson et al. , 2005)). Les processus de fouille s’appuient souvent sur des techniques de classication (“clustering”) qui four- nissent des motifs globaux, i.e., des regroupements prenant leur sens dans l’ensemble

uoasovsng-pa5=n,Quandmaxtrainte.tnefcoiecteobunnu R´1– G .F I amalopruatstselu ria,malaPour ria. Krn-maodGodentiecfeocelte,e´velus´estpl1b)eFig.na(ddeRed - ci ’lni inras,tenssantcoboiuuneterilecaetsimilamaximal( .gc4e)tssuak(liF tuaseder giF .fc(serntseatmbnodemeelruemliustlrse´obsenousslesrvon sacdxam(pag-,)2=t21ean.Dessloneciatn“eam-xag”ped.1a)pourunecontr onbm,1ele p ts -xag paraecomyendremo Q.)2=pag-xamruopmaduurlevalandua pse´icc unassnal ucuneconationd’a ivne1nornositsesuielteob00/1ec0d sonsaraicesvpoursredlaueg-pam“xa 3)b.Tacfmbnoes.Lneyomser pmocsed s c- teur8,pourmax-ag=p,3ujqs’ua82 on”s´etritduensslbisneme’d(tafnu