Fig II: exemple où l’évolutivité peut conduire à un mauvais résultat
2) l’algorithme de Clustering doit être capable de traiter différents types d’attributs.
3) l’algorithme de Clustering doit être capable de trouver des données en cluster avec la forme arbitraire.
4) l’algorithme de Clustering doit être insensible au bruit et aux valeurs aberrantes.
5) Interpret-ability and Usability-le résultat obtenu doit être interprétable et utilisable afin d’obtenir un maximum de connaissances sur
Les paramètres d’entrée.,
6) l’algorithme de Clustering doit être capable de traiter un ensemble de données de haute dimensionnalité.
les algorithmes de Clustering peuvent être classifiés en deux catégories:
1) les algorithmes de clustering linéaire non supervisés et
2) les algorithmes de clustering non-linéaire non supervisés
I. algorithme de clustering linéaire non supervisé
k-means algorithme de clustering flou c-means algorithme de clustering hiérarchique algorithme de clustering gaussien(EM) algorithme de, Algorithme de clustering non linéaire non supervisé
algorithme de clustering basé sur MST kernel k-means algorithme de clustering basé sur la densité algorithme de clustering