Glossaire



| 2 | 3 | A | B | C | D | E | F | G | H | I | J | K | L | M | N | O | P | Q | R | S | T | U | V | W | X | Y | Z |

EM (Classification Généralisée)

L'algorithme de Classification Généralisée EM est une technique de classification similaire par son objectif à la méthode de classification des k-moyennes. L'algorithme EM réalise une classification en ajustant un ensemble de distributions aux données ; par exemple :

Cette illustration montre deux distributions normales avec des moyennes différentes et des écart-types différents, ainsi que la somme des deux distributions. Seul le mélange (la somme) des deux distributions normales, avec moyennes et écart-types différents, sera observé (par exemple, supposez que la classification a été réalisée en ne se basant que sur une seule variable continue). L'objectif de la Classification Généralisée EM est d'estimer les moyennes et écart-types de chaque cluster (classification) pour maximiser la probabilité des données observées (distribution). L'implémentation de l'algorithme EM dans le module Classification Généralisée EM (Expectation Maximization) et k-Moyennes vous permet de sélectionner différents types de distributions pour différentes variables dans les analyses de classification.

Pour plus de détails, voir la rubrique Classification Généralisée EM (Expectation Maximization) et k-Moyennes - Introduction  ; voir aussi Witten and Frank (2001).