19/04/2015 Taches du dataMining Spatial1
Membres de groupe:
ACHER Hichem BOUZIDI Rokia
BEKKOUCHE Selma LANASRI Dihia
Propo...
19/04/2015 Taches du dataMining Spatial2
Introduction
La donnée spatiale
Le data mining spatial
Les taches de data mining ...
19/04/2015 Taches du dataMining Spatial3
Les données spatiales,
décrivent la forme et les
caractéristiques de l'entité
géographique ainsi que les
objets situés sur...
Le Data Mining Spatial (DMS),
fouille de données spatiale, est
l’exploration de données ou
encore extraction de
connaissan...
19/04/2015 Taches du dataMining Spatial6
• Tâche prédictives
• L’association DMS permet de trouver des relations(X Y) ent...
19/04/2015 Taches du dataMining Spatial7
Est-un(X, “école”) & proche de(X, “station de bus”) ' proche-de (X,
“marché”) [20...
19/04/2015 Taches du dataMining Spatial8
calculer la distance entre deux entités
géo-spatiales ponctuelle sur la base
des ...
19/04/2015 Taches du dataMining Spatial9
Algorithme APRIORI.
Algorithme Kosperski
19/04/2015 Taches du dataMining Spatial10
Elaboration des règles d’association entre les ensembles des items
fréquents de ...
19/04/2015 Taches du dataMining Spatial11
19/04/2015 Taches du dataMining Spatial12
• la prédiction de l’emplacement d’un objet dans des
classes préexistantes en ex...
19/04/2015 Taches du dataMining Spatial13
• Déterminer (prédire) la classe d’un nouvel objet.
• Décrire les liens entre le...
19/04/2015 Taches du dataMining Spatial14
• La recherche de règles de classement  structurer un ensemble
d'objets en clas...
19/04/2015 Taches du dataMining Spatial15
Les arbres de décision
Principe:
• Diviser récursivement la population d’apprent...
19/04/2015 Taches du dataMining Spatial16
Les paramètres en entrée
• Table_Cible : table des objets à analyser.
• Table_Vo...
19/04/2015 Taches du dataMining Spatial17
Appliquer l’opérateur croisement, qui permet de compléter (au lieu de
joindre) l...
19/04/2015 Taches du dataMining Spatial18
• Le géo-clustering consiste à regrouper les entités similaires dans les mêmes
c...
19/04/2015 Taches du dataMining Spatial19
Le clustering est utilisé pour déterminer les "points chauds" dans
l'analyse de ...
19/04/2015 Taches du dataMining Spatial20
Méthodes du clustering spacial
Partitionnement
k-means
k-médoids
Hiérachiquer
CA...
19/04/2015 Taches du dataMining Spatial21
Le principe de ces méthodes est de chercher les k meilleurs clusters
d’un ensemb...
19/04/2015 Taches du dataMining Spatial22
Algorithme K-means
On définit ou l'on tire au hasard k points
À chaque itération...
19/04/2015 Taches du dataMining Spatial23
Les méthodes hiérarchiques se devisent en deux approches, elles
peuvent être soi...
19/04/2015 Taches du dataMining Spatial24
CURE
Parmi ses avantages on note :
• La découverte de clusters de taille intéres...
19/04/2015 Taches du dataMining Spatial25
Parmi ces méthodes nous citons : Algorithme DBSCAN,
Algorithme DENCLUE, Algorith...
19/04/2015 Taches du dataMining Spatial26
Algorithme DBCLASD
Contrairement aux algorithmes de même type DBCLASD n’a pas
be...
19/04/2015 Taches du dataMining Spatial27
• Ces méthodes permettent d’utiliser des grilles pour faire la
classification no...
19/04/2015 Taches du dataMining Spatial28
Algorithme CLIQUE
L’identification des clusters au niveau de CLIQUE est réalisée...
19/04/2015 Taches du dataMining Spatial29
Relation entre les méthodes du géo-clustering
19/04/2015 Taches du dataMining Spatial30
Evaluation de la qualité d’un cluster
• Dans le clustering, l’évaluation des rés...
19/04/2015 Taches du dataMining Spatial31
• La tendance spatiale : C’est un changement régulier d'un ou de plusieurs
attri...
19/04/2015 Taches du dataMining Spatial32
• Les cas singuliers( valeurs aberrantes et extrêmes) : sont des objets qui
ne r...
19/04/2015 Taches du dataMining Spatial33
• C’est la visualisation de l’information géographique pour visualiser les
conna...
19/04/2015 Taches du dataMining Spatial34
Les techniques de data mining spacial sont très
puissantes car elles offrent la ...
19/04/2015 Taches du dataMining Spatial35
Prochain SlideShare
Chargement dans…5
×

Data Mining Spatial

585 vues

Publié le

Cette présentation comporte des Informations sur le Data mining Spatial.

Publié dans : Données & analyses
0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
585
Sur SlideShare
0
Issues des intégrations
0
Intégrations
2
Actions
Partages
0
Téléchargements
36
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive
  • Dans cet algorithme, deux paramètres, support minimum (minSup) et confiance minimale (minConf) considérés comme les seuils respectifs de support et de confiance pour le niveau de granularité L,
  • Data Mining Spatial

    1. 1. 19/04/2015 Taches du dataMining Spatial1 Membres de groupe: ACHER Hichem BOUZIDI Rokia BEKKOUCHE Selma LANASRI Dihia Proposé par: Mme. HAMDAD 2013-2014
    2. 2. 19/04/2015 Taches du dataMining Spatial2 Introduction La donnée spatiale Le data mining spatial Les taches de data mining spatial Implémentation d’une tache Conclusion
    3. 3. 19/04/2015 Taches du dataMining Spatial3
    4. 4. Les données spatiales, décrivent la forme et les caractéristiques de l'entité géographique ainsi que les objets situés sur la surface de la terre .Elles sont définies par leur localisation. 19/04/2015 Taches du dataMining Spatial4 Donnée spatiale alphanumérique Vecteur
    5. 5. Le Data Mining Spatial (DMS), fouille de données spatiale, est l’exploration de données ou encore extraction de connaissances implicite de relations spatiales ou autre propriétés non explicitement stockés dans les bases de données spatiale, à partir d’une grande masse de données géographiques 19/04/2015 Taches du dataMining Spatial5 Tâche du data mining spatial Descriptives prédictives
    6. 6. 19/04/2015 Taches du dataMining Spatial6 • Tâche prédictives • L’association DMS permet de trouver des relations(X Y) entre les propriétés des objets et celles de leurs voisins d’une BDD spatiale, selon le thème choisi, avec une certaine probabilité selon deux métriques(S & C). X & Y sont des ensembles de prédicats . S : Support de la règle. C : La confiance.
    7. 7. 19/04/2015 Taches du dataMining Spatial7 Est-un(X, “école”) & proche de(X, “station de bus”) ' proche-de (X, “marché”) [20%; 80%] Problème le nombre d’association possible entre attribut. k attributs  nombre maximal d’association: K*2k-1
    8. 8. 19/04/2015 Taches du dataMining Spatial8 calculer la distance entre deux entités géo-spatiales ponctuelle sur la base des coordonnées Raisonnement quantitatif Extraire différents types de relations spatiales. Raisonnement qualitatif Catégoriesd’algorithmes
    9. 9. 19/04/2015 Taches du dataMining Spatial9 Algorithme APRIORI. Algorithme Kosperski
    10. 10. 19/04/2015 Taches du dataMining Spatial10 Elaboration des règles d’association entre les ensembles des items fréquents de tous les niveaux Définition de l’ensemble des règles d’associations fortes dans le niveau L. Evaluation du support et de la confiance de chacune des règles établies. Elaboration des règles d’association entre tous les éléments de l’ensemble des items fréquents Extraire le sous-ensemble des items fréquents du niveau L Définir l’ensemble de tous les items de l’étude
    11. 11. 19/04/2015 Taches du dataMining Spatial11
    12. 12. 19/04/2015 Taches du dataMining Spatial12 • la prédiction de l’emplacement d’un objet dans des classes préexistantes en examinant certaines propriétés. • Regrouper les éléments géographiques par classes selon les propriétés en commun.
    13. 13. 19/04/2015 Taches du dataMining Spatial13 • Déterminer (prédire) la classe d’un nouvel objet. • Décrire les liens entre les propriétés de l’objet et la classe à laquelle il appartient.
    14. 14. 19/04/2015 Taches du dataMining Spatial14 • La recherche de règles de classement  structurer un ensemble d'objets en classes d'objets ayant des propriétés communes. • Réalisation par apprentissage supervisé qui, à partir de classes fournies partiellement en extension  classer les prochaines données.
    15. 15. 19/04/2015 Taches du dataMining Spatial15 Les arbres de décision Principe: • Diviser récursivement la population d’apprentissage en des populations plus homogènes, en appliquant un critère de subdivision. • Les résultats de cette classification sont présentés sous forme d’arbres de connaissances.
    16. 16. 19/04/2015 Taches du dataMining Spatial16 Les paramètres en entrée • Table_Cible : table des objets à analyser. • Table_Voisin : table des objets de voisinage. • Index_Jointure_Spatial : contient les relations spatiales entre les objets. Paramètre en sortie • Arbre de décision spatial binaire.
    17. 17. 19/04/2015 Taches du dataMining Spatial17 Appliquer l’opérateur croisement, qui permet de compléter (au lieu de joindre) la Table_cible, par les données présentes dans les autres tables. Mettre les relations spatiales exactes entre les objets, et les sauvegarder dans une table relationnelle sous forme (objet1, relation spatiale, objet2). Pour chaque objet voisin, cet opérateur génère un attribut (une colonne) dans la table résultante. Initialement, tous les objets de la Table_cible sont affectés à la racine A chaque étape du processus de division d’un nœud, on calcule le gain informationnel de tous les attributs explicatifs. Si cet attribut provient de la Table_voisin, alors une formule spécifique est utilisée pour le calcul de ce gain. On retient l’attribut de segmentation, correspondant au meilleur gain informationnel de tous les attributs explicatifs. Si le nœud courant n’est pas saturé, alors on fait appel à la procédure d’affectation.
    18. 18. 19/04/2015 Taches du dataMining Spatial18 • Le géo-clustering consiste à regrouper les entités similaires dans les mêmes classes. • Cela revient à maximiser la similarité intra classes et à minimiser la similarité inter classes • En tenant compte de la particularité des données géo-spatiales, qui se caractérisent par l’interdépendance sous forme de relations géo-spatiales tel que le voisinage
    19. 19. 19/04/2015 Taches du dataMining Spatial19 Le clustering est utilisé pour déterminer les "points chauds" dans l'analyse de criminalité et le suivi de maladies.
    20. 20. 19/04/2015 Taches du dataMining Spatial20 Méthodes du clustering spacial Partitionnement k-means k-médoids Hiérachiquer CAH CDH Basée densité Connectivité Fonction Basée grille
    21. 21. 19/04/2015 Taches du dataMining Spatial21 Le principe de ces méthodes est de chercher les k meilleurs clusters d’un ensemble N, parmi ces méthodes on cite : l’algorithme k- Means, la méthode de Nuée dynamique, Algorithme K-Medoids, Algorithme EM
    22. 22. 19/04/2015 Taches du dataMining Spatial22 Algorithme K-means On définit ou l'on tire au hasard k points À chaque itération: • Constitution de classes: chaque élément est associé au centre dont il est le plus proche. • Calcul des nouveaux centres: centres de gravité des classes.
    23. 23. 19/04/2015 Taches du dataMining Spatial23 Les méthodes hiérarchiques se devisent en deux approches, elles peuvent être soient : Agglomératives (approche bottom-up) . Divisives (approche Top-down). Parmi ces méthodes on site par exemple les méthodes DIANA et AGNES Caméléon.
    24. 24. 19/04/2015 Taches du dataMining Spatial24 CURE Parmi ses avantages on note : • La découverte de clusters de taille intéressante ; • Le non-sensitivité aux données déviées ; • Le partitionnement et l’échantillonnage réduisent la taille des données sans influer sur la qualité des clusters ; • Temps d’exécution réduit.
    25. 25. 19/04/2015 Taches du dataMining Spatial25 Parmi ces méthodes nous citons : Algorithme DBSCAN, Algorithme DENCLUE, Algorithme DBCLASD
    26. 26. 19/04/2015 Taches du dataMining Spatial26 Algorithme DBCLASD Contrairement aux algorithmes de même type DBCLASD n’a pas besoin de paramètres en entrée et traite efficacement les données inconsistantes, car il est fondé sur une probabilité basée sur le facteur distance mais cette indépendance des paramètres d’entrée lui coûte une grande consommation de ressources.
    27. 27. 19/04/2015 Taches du dataMining Spatial27 • Ces méthodes permettent d’utiliser des grilles pour faire la classification non supervisée, • son principe est de partitionner l’espace de données en un ensemble de cellules. Parmi ces • méthodes on peut citer : l’algorithme STING et l’algorithme CLIQUE.
    28. 28. 19/04/2015 Taches du dataMining Spatial28 Algorithme CLIQUE L’identification des clusters au niveau de CLIQUE est réalisée en trois (3) grandes phases : • Identification des sous espaces contenant les clusters : cette opération est réalisée en utilisant un algorithme ascendant de recherche d’unités denses. • Identification des clusters : consiste à trouver les composants connectés en utilisant les sommets des unités denses. L’identification des clusters est bien entendue fonction du nombre d’unités denses. • Génération d’une description minimale des clusters grâce aux composants déterminés dans la phase précédente.
    29. 29. 19/04/2015 Taches du dataMining Spatial29 Relation entre les méthodes du géo-clustering
    30. 30. 19/04/2015 Taches du dataMining Spatial30 Evaluation de la qualité d’un cluster • Dans le clustering, l’évaluation des résultats ainsi que la comparaison entre les différentes méthodes et algorithmes, est une problématique importante. En pratique il existe plusieurs méthodes pour évaluer les groupements obtenus. L’une des méthodes consiste à utiliser des mesures numériques, qui sont l’inertie interclasses et inertie intra-classes. Il s’agit d’une évaluation interne.
    31. 31. 19/04/2015 Taches du dataMining Spatial31 • La tendance spatiale : C’est un changement régulier d'un ou de plusieurs attributs non-spatiales lors d’un déplacement géographique. • Les techniques la régression l'analyse de corrélations. Exemple 1 • Analyser la tendance du taux de chômage selon la distance par rapport à une métropole ou une capitale Exemple 2 la tendance du changement du climat ou de la végétation selon la distance par rapport à la côte.
    32. 32. 19/04/2015 Taches du dataMining Spatial32 • Les cas singuliers( valeurs aberrantes et extrêmes) : sont des objets qui ne respectent pas le comportement général ou le modèle de données [Han et Kamber 2006]. un objet spatialement référencé dont les valeurs des attributs non-spatiaux sont inconsistants avec celles des autres objets à l'intérieur d'un certains voisinage spatial. [Shekhar et al 2004] Exemple • Un taudis (gourbi) dans un cartier de villas est considéré comme un objet spatial aberrant en se basant sur l'attribut non spatial «type de maison ».
    33. 33. 19/04/2015 Taches du dataMining Spatial33 • C’est la visualisation de l’information géographique pour visualiser les connaissances ainsi que les relations implicites entre ce type de données. • Ça concerne la mise en œuvre d'outils visuels pour extraire des connaissances, les synthétiser , les communiquer et les utiliser La cartographie :C’est la conception et l'utilisation des cartes de communication de l'information et la consommation publique. La géo visualisation : C’est le développement de cartes hautement interactifs et des outils associés à l'exploration des données , la formulation d'hypothèses et la construction de la connaissance.
    34. 34. 19/04/2015 Taches du dataMining Spatial34 Les techniques de data mining spacial sont très puissantes car elles offrent la possibilité de décrire un domaine d’application et même prédire des résultats en future.
    35. 35. 19/04/2015 Taches du dataMining Spatial35

    ×