Une approche objective pour determiner le nombre de clusters dans le cadre de la classification floue non supervisee

La majorite des algorithmes de clustering souffrent du probleme de determination du nombre de clusters qui est souvent laisse a l'utilisateur. A ce probleme, plusieurs fonctions appelees indices de validite ont ete proposees. Le premier constat ayant attire notre attention est la difficulte rencontree par la plupart des indices de validite en presence des donnees avec une grande variation dans la structure geometrique des clusters, plus particulierement pour ce qui est de la forme, la densite et l'orientation. Une autre source d'echec de ces indices est le chevauchement entre les clusters. Deuxiemement, nous avons constate que la plupart des chercheurs utilisent des donnees communes du domaine public pour valider leurs indices et comparer leurs performances. Peu de recherches evaluent la performance des indices de validite sur des hypotheses formelle de melange gaussien.; Afin de resoudre ces problemes, nous proposons un nouvel indice de validite et une nouvelle methode pour une evaluation objective des indices de validite. Notre nouvel indice tient compte de la variation des structures geometriques des clusters, alors que notre nouvelle methode d'evaluation consiste a generer des donnees de test valides avec differents degres de difficultes. Nous avons effectue des experimentations sur une grande variete de donnees de test. Notre nouvel indice de validite a demontre une grande fiabilite quand les clusters deviennent de moins en moins separables.