Une approche ensembliste inspirée du boosting en classification non supervisée

Résumé. En classification supervisée, de nombreuses méthodes ensem blist s peuvent combiner plusieurs hypothèses de base afin de créer u ne règle de décision finale plus performante. Ainsi, il a été montré que des méthodes comme le baggingou leboostingpouvaient se révéler intéressantes, tant dans la phase d’apprentissage qu’en généralisation. Dès lors, il est ten tant de vouloir s’inspirer des grands principes d’une méthode comme le boostingen classification non supervisée. Or, il convient préalablement de se confron te aux difficultés connues de la thématique des ensembles de regroupeurs (corr espondance des classes, agrégation des résultats, qualité) puis d’introd ui e l’idée duboosting dans un processus itératif. Cet article propose une méthode ensembliste inspirée du boosting, qui, à partir d’un partitionnement flou obtenu par les c-moy ennes floues (fuzzy-c-means), va insister itérativement sur les e x mples difficiles pour former une partition dure finale plus pertinente.