AI-ordlista
Den kompletta ordlistan över AI
Algorithme FCM (Fuzzy C-Means)
Algorithme d'optimisation itératif qui minimise une fonction objectif basée sur les distances pondérées entre les points et les centres des clusters, utilisant un paramètre de flou pour contrôler le niveau d'ambiguïté des partitions.
Prototypes de cluster
Centres représentatifs vj de chaque cluster flou, calculés comme moyenne pondérée des points selon leurs degrés d'appartenance, servant de référence pour l'évaluation des distances.
Partition floue optimale
Configuration de clusters et de degrés d'appartenance minimisant la fonction objectif tout en respectant les contraintes d'appartenance, représentant la meilleure structure floue des données.
Algorithme de Gustafson-Kessel
Extension du FCM adaptant la forme elliptique des clusters en utilisant des matrices de covariance adaptatives pour chaque cluster, permettant de détecter des structures non sphériques.
Index de Xie-Beni
Critère de validation XB = (Σi Σj uij^m ||xi - vj||²) / (n * mini≠j ||vi - vj||²) évaluant le compromis entre compacité intra-cluster et séparation inter-cluster.
Clustering possibiliste
Variante du clustering flou relaxant la contrainte de somme unitaire des degrés d'appartenance, permettant une interprétation possibiliste où les degrés représentent la compatibilité plutôt que des probabilités.
Fuzzy Silhouette
Adaptation de l'indice silhouette au contexte flou, intégrant les degrés d'appartenance pour évaluer la cohésion et la séparation des clusters avec une vision plus nuancée des structures.
Algorithme PCM (Possibilistic C-Means)
Méthode de clustering basée sur la théorie des possibilités éliminant la contrainte de normalisation des degrés d'appartenance, particulièrement robuste face aux bruits et aux valeurs aberrantes.
FCM pondéré par noyaux
Extension du FCM utilisant des fonctions noyau pour transformer implicitement les données dans un espace de dimension supérieure, permettant de détecter des structures non linéaires.
Convergence de FCM
Propriété garantissant que l'algorithme FCM atteint un minimum local ou un point selle de la fonction objectif après un nombre fini d'itérations, sous certaines conditions mathématiques.
Robustesse en clustering flou
Capacité des algorithmes de clustering flou à résister aux perturbations comme les valeurs aberrantes ou le bruit, souvent améliorée par des approches possibilistes ou des distances robustes.