Salut,
Lorsque je simule des clusters à partir de la plateforme K Means, j'obtiens des valeurs simulées négatives pour l'une de mes variables qui, en termes pratiques, ne peuvent être que positives.
En regardant la distribution originale de cette variable, elle n'est pas normale et limitée à zéro (donc quelque chose comme une distribution log-normale lui convient bien).
Existe-t-il un moyen de garantir que les données générées à partir de la simulation de cluster restent positives ?
Merci beaucoup,
Alicia
Salut @Alicia_500 ,
Bienvenue dans la Communauté !
Le clustering peut être réalisé avec différents algorithmes, en fonction de vos objectifs, des types de données et du critère sur lequel vous créez le clustering : basé sur des distributions, sur la densité de points, sur des structures/liens hiérarchiques entre les points, ...
Vous pouvez consulter les algorithmes disponibles en fonction de vos types de données ici : Présentation des plateformes de clustering des observations
Si vous avez besoin de plus d'informations sur la façon d'utiliser les différents algorithmes, vous pouvez regarder cette vidéo : Regroupement | JMP
Il existe également un très bon blog de @Chelsea-Parlett expliquant les différences entre les méthodes de clustering : Méthodes de clustering pour l'apprentissage automatique non supervisé (jmp.com)
Concernant votre cas d'utilisation, compte tenu du peu d'informations fournies et de l'absence de données permettant de tester certaines approches, je pense que la méthode K-Means n'est peut-être pas la technique de clustering la plus adaptée, car vous êtes confronté à différentes distributions avec des dispersions différentes. La méthode K-Means crée des clusters sphériques, car elle ne suppose aucune différence entre les distributions.
Vous pouvez essayer d'utiliser des mélanges normaux , car ils seront influencés par les différences de distribution et de variance de vos fonctionnalités ou par un cluster hiérarchique , qui ne suppose aucune distribution pour le clustering.
J'espère avoir compris votre situation,
Merci Victor pour la réponse - c'est extrêmement utile !
