Dans ce TP, nous utiliserons la boîte à outils Weka pour réaliser des expériences sur la catégorisation. Nous étudierons spécifiquement l'algorithme des k-moyennes (k-means).

1- Nous commencerons par travailler sur la base de données iris.arff . Celle-ci est décrite à l'aide de 4 attributs numériques et d'une classe. Nous ignorerons la classe.

Rappel : sous Weka, il faut utiliser l'onglet "preprocess" de la fenêtre de contrôle pour charger la base de données.

• Examinez d'abord visuellement la répartition des données sur chaque attribut. Y a-t-il des attributs qui semblent meilleurs que les autres pour séparer les classes (connues ici) ?
• Dans l'onglet "choose" de "cluster", choisir "simple k-means".
• Vous devrez aussi choisir le nombre k de clusters et la distance choisie, par exemple k=2 et distance euclidienne.Choisissez "use training set" et déselectionnez certains attributs (dont au moins celui donnant la classe) avant de faire tourner l'algorithme des k-moyennes.
• La fenêtre Clusterer output fournit des informations sur le résultat obtenu, telles que les attributs utilisés, le nombre d'itérations avant convergence, l'inertie intra-classe moyenne et la matrice de confusion.
• Il est possible de visualiser les nuages de points obtenus en faisant un clic-droit sur la liste des résultats (sous-fenêtre en bas à gauche de la fenêtre de contrôle).

Répétez les expériences en modifiant le nombre de clusters attendus k, la distance utilisée (euclidienne ou de Manhattan), la valeur du noyau (seed) et le nombre maximal d'itérations (prendre par exemple 1, 2, 3, .. pour voir l'évolution des clusters).

2- Dans un deuxième temps, vous pourrez étudier d'autres bases de données. Par exemple : videogame-99.arff qui décrit 99 jeux vidéo à l'aide de 150 attributs. Ici, nous ne savons pas à l'avance quelles sont les "bonnes" classes. Faites des expériences en variant les paramètres comme dans le (1) ci-desssus. Quelle est à votre avis la meilleure partition ?