Réinitialiser mot de passe
E-mail
Password
RNTI

MODULAD
Interactive Clustering Tree: Une méthode de classification descendante adaptée aux grands ensembles de données
In DMAS 2007, vol. RNTI-A-1, pp.73-93
Résumé
Nous présentons une nouvelle méthode de segmentation non supervisée,
particulièrement bien adaptée aux gros volumes de données et aux besoins
opérationnels du secteur Banque Assurance. Cette méthode de classification
descendante hiérarchique présente la segmentation finale sous la forme
d'un arbre de décision dont l'appartenance aux classes (ou segments) dépend
de règles logiques faisant intervenir les variables de l'analyse. De ce fait, la
méthode hérite des propriétés inhérentes aux arbres de décision (interactivité,
choix des variables de coupure, élagage/développement de l'arbre). Il en résulte
une segmentation très simple d'interprétation et directement opérationnelle pour
l'affectation d'un nouvel individu à l'une des classes. Enfin, elle intègre la possibilité
de construire l'arbre avec d'autres variables que celles dont on mesure
l'inertie. En ce sens, nous pouvons la considérer comme une généralisation au
cas multicibles, plusieurs variables à prédire simultanément, des méthodes supervisées.
Cet article présente les fondements théoriques de la méthode et s'appuie
sur un exemple pratique pour illustrer les résultats obtenus et les comparer
aux méthodes usuelles.