Un critère d’évaluation pour les K-moyennes prédictives

Résumé. L’algorithme des K-moyennes prédictives est un des algorithmes de clustering prédictif visant à décrire et à prédire d’une manière simultanée. Contrairement à la classification supervisée et au clustering traditionnel, la performance de ce type d’algorithme est étroitement liée à sa capacité à réaliser un bon compromis entre la description et la prédiction. Or, à notre connaissance, il n’existe pas dans la littérature un critère analytique permettant de mesurer ce compromis. Cet article a pour objectif de proposer une version modifiée de l’indice Davies-Bouldin, nommée SDB, permettant ainsi d’évaluer la qualité des résultats issus de l’algorithme des K-moyennes prédictives. Cette modification se base sur l’intégration d’une nouvelle mesure de dissimilarité permettant d’établir une relation entre la proximité des observations en termes de distance et leur classe d’appartenance. Les résultats expérimentaux montrent que la version modifiée de l’indice DB parvient à mesurer la qualité des résultats issus de l’algorithme des K-moyennes prédictives.