Apport des modèles locaux pour les K-moyennes prédictives
Résumé
Dans le cadre du clustering prédictif, pour attribuer la classe aux groupes
formés à la fin de la phase d'apprentissage, le vote majoritaire est la méthode
communément utilisée. Cependant, cette approche comporte certaines limitations
qui influent directement sur la qualité des résultats obtenus en termes de
prédiction. Pour surmonter ce problème, nous proposons d'incorporer des modèles
prédictifs localement dans les clusters formés afin d'améliorer la qualité
prédictive du modèle global. Les résultats expérimentaux montrent que cette incorporation
permet d'obtenir des résultats (en termes de prédiction) significativement
meilleurs par rapport à ceux obtenus en utilisant le vote majoritaire ainsi
que des résultats très compétitifs avec ceux obtenus par des algorithmes performants
d'apprentissage supervisé “similaires”. Ceci est effectué sans dégrader le
pouvoir descriptif (explicatif) du modèle global.