Catalogue en ligne

University Sétif 1 FERHAT ABBAS Faculty of Sciences

Nouvelle recherche

Document: texte imprimé

Clustering algorithm using K-means and Cuckoo Search / LEGRIB, Med El-Amine

pdf

Public
ISBD

Titre :	Clustering algorithm using K-means and Cuckoo Search
Type de document :	texte imprimé
Auteurs :	LEGRIB, Med El-Amine ; KAMEL, N, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2015
Importance :	1 vol (49f.)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Cluster,clustering data,k-means,cuckoo search,metaheuristics,datamining, Knowledge Discovery.
Index. décimale :	004 Informatique
Résumé :	Abstract Cluster analysis comprises a range of methods for classifying multivariate data into subgroups. By organizing multivariate data into such subgroups, clustering can help reveal the characteristics of any structure or patterns present. These techniques have proven useful in a wide range of areas such as medicine, psychology, market research and bioinformatics. in this thesis we will take a look on many clustering algorithms and implement our solution for clustering data using k-means and cuckoo search algorithms evaluate the result of our work using the benchmark of various dataset proposed in UC Irvine Machine Learning Repository ,result showed a good k-means algorithm initialization
Note de contenu :	Contents Dedication 1 abstract 2 Introduction 6 1 DATA Mining 8 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2 Etymology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3.1 Definition DATA MINIG . . . . . . . . . . . . . . . . . . . 8 1.3.2 Definition KNOWLEDGE Discovery in Databases . . . . . . 9 1.3.3 Definition machine learning . . . . . . . . . . . . . . . . . . 9 1.3.3.1 Leaning style . . . . . . . . . . . . . . . . . . . . 10 1.3.3.1.1 Supervised Learning: . . . . . . . . . . . 10 1.3.3.1.2 Unsupervised Learning . . . . . . . . . . 10 1.3.3.1.3 Semi-Supervised Learning . . . . . . . . 10 1.3.3.1.4 Reinforcement Learning: . . . . . . . . . 10 1.4 data mining tasks [Kan11] . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.1 Predictive Method . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.2 Description Method . . . . . . . . . . . . . . . . . . . . . . 11 1.5 Types of Data Mining System . . . . . . . . . . . . . . . . . . . . . 11 1.5.1 Classification of data mining systems according to the type of data source mined . . . . . . . . . . . . . . . . . . . . . . . 11 1.5.2 Classification of data mining systems according to the data model 11 1.5.3 Classification of data mining systems according to the kind of knowledge discovered . . . . . . . . . . . . . . . . . . . . . 12 1.5.4 Classification of data mining systems according to mining techniques used . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.6 Data Mining in the real world [UGP96] . . . . . . . . . . . . . . . . 12 1.6.1 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.6.2 Telecommunication . . . . . . . . . . . . . . . . . . . . . . . 12 1.6.3 Biological Data Analysis . . . . . . . . . . . . . . . . . . . . 12 1.6.4 Intrusion Detection . . . . . . . . . . . . . . . . . . . . . . . 13 1.7 Clustering and classification . . . . . . . . . . . . . . . . . . . . . . 13 1.7.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.1.1 The decision tree . . . . . . . . . . . . . . . . . . . 13 1.7.2 cluster and Clustering . . . . . . . . . . . . . . . . . . . . . 13 1.7.3 Reasons of clustering . . . . . . . . . . . . . . . . . . . . . . 13 1.7.4 application of cluster analysis . . . . . . . . . . . . . . . . . 14 1.7.4.1 market Research . . . . . . . . . . . . . . . . . . 14 1.7.4.2 Astronomy . . . . . . . . . . . . . . . . . . . . . . 14 1.7.4.3 psychology . . . . . . . . . . . . . . . . . . . . . . 14 1.7.4.4 Weather classification . . . . . . . . . . . . . . . . 14 1.7.4.5 Archeology . . . . . . . . . . . . . . . . . . . . . 14 1.7.5 Data type in cluster analysis . . . . . . . . . . . . . . . . . . 14 1.7.5.1 Clustering categorical Data . . . . . . . . . . . . . 14 1.7.5.2 Clustering Text Data . . . . . . . . . . . . . . . . 15 1.7.5.3 Clustring multimedia data . . . . . . . . . . . . . 15 1.7.5.4 Clustering time-series data . . . . . . . . . . . . . 15 1.7.6 Distances and similarities . . . . . . . . . . . . . . . . . . . 16 1.7.7 Clustering algorithms . . . . . . . . . . . . . . . . . . . . . 16 1.7.7.1 The hierarchical clustering . . . . . . . . . . . . . 16 1.7.7.1.1 Agglomerative and divisive methods . . . 17 1.7.7.1.2 BIRCH ALGORITHEM [TzRr96] . . . . 18 1.7.7.2 The partitional clustering . . . . . . . . . . . . . . 19 1.7.7.2.1 The Heuristics methods . . . . . . . . . . 20 1.7.7.2.1.1 K-means . . . . . . . . . . . . . . 20 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2 MetaHeuristics 22 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Etymology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.3 Deintion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4 properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.5 Metaheuristics for Clustering . . . . . . . . . . . . . . . . . . . . . . 23 2.5.1 Clustering by evolutionary algorithms . . . . . . . . . . . . . 23 2.5.2 Clustering by artificial ants . . . . . . . . . . . . . . . . . . . 26 2.5.3 Clustering particle swarm . . . . . . . . . . . . . . . . . . . 27 2.5.4 Clustering by artificial immune system . . . . . . . . . . . . 28 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3 Meta-heuristics+K-means 30 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.2 K-Means and firefly . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.3 K-Means and PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4 Integrating Nature-inspired Optimization Algorithms to K-means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.5 Firefly and k-means in image processing . . . . . . . . . . . . . . . . 36 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4 implementation 38 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2 Our approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3 Benchmark . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3.1 Iris Data Set . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3.1.1 Data Set Information . . . . . . . . . . . . . . . . 39 4.3.2 Wine Data Set . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3.2.1 Data Set Information . . . . . . . . . . . . . . . . 39 4.3.3 Poker Hand Data Set . . . . . . . . . . . . . . . . . . . . . . 39 4.3.4 datasets uses . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.4 Algorithm k-means/cuckoo-search . . . . . . . . . . . . . . . . . . . 40 4.5 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.5.1 Hardware used . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.5.2 Software used . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.5.3 Software manual guide . . . . . . . . . . . . . . . . . . . . . 41 4.5.3.1 Cluster validity . . . . . . . . . . . . . . . . . . . 42 4.5.3.2 Clusters . . . . . . . . . . . . . . . . . . . . . . . 42 4.5.4 Screen shot . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.6 Results and evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.6.1 Compactness intra-cluster . . . . . . . . . . . . . . . . . . . 44 4.6.2 Separation inter-cluster . . . . . . . . . . . . . . . . . . . . . 44 4.6.3 Iteration . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.7 Decision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.8 Future work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 General conclusion 46 References 49
Côte titre :	MAI/0080
En ligne :	https://drive.google.com/file/d/1y8oDElqZXLYljFg0uiN0Fl4Et9sDZYJ4/view?usp=shari [...]
Format de la ressource électronique :	pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0080	MAI/0080	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

A-
A
A+

Accueil

Se connecter

Mot de passe oublié ?

Adresse

Université Sétif -1- faculté des sciences el bez Sétif
19000 Sétif
Algérie

Horaires d'ouverture :

Dimanche:  8:00h-16h30
Lundi:         8:00h-16h30
Mardi:         8:00h-16h30
Mercredi:    8:00h-16h30
Jeudi:         8:00h-16h30