Mme S. Sujatha et Mme A. Shanthi Sona
Résumé --- Le clustering est une technique générale utilisée pour classer une collection de données en groupes d'objets connexes. L'une des techniques de clustering les plus couramment utilisées dans la pratique est le clustering K-Means. La principale limitation de K-Means est sa technique d'initialisation. Plusieurs tentatives ont été faites par de nombreux chercheurs pour résoudre ce problème particulier, mais il n'existe toujours pas de technique efficace disponible pour une meilleure initialisation dans K-Means. En général, K-Means suit des points de départ initiaux générés aléatoirement qui donnent souvent lieu à de mauvais résultats de clustering. Les meilleurs résultats de clustering de la technique K-Means peuvent être obtenus après plusieurs itérations. Cependant, il est très compliqué de décider de la limite de calcul pour obtenir de meilleurs résultats. Dans cet article, une nouvelle approche est proposée pour une meilleure technique d'initialisation pour K-Means en utilisant le prototype de contrainte spectrale (K-Means utilisant SCP). La méthode proposée intègre les contraintes comme sommets. Afin d'intégrer les contraintes comme sommets, l'approche SCP est utilisée. L'approche proposée est testée sur le référentiel d'apprentissage automatique de l'UCI. L'initialisation proposée offre une meilleure précision de clustering avec un temps d'exécution moindre.