Binôme:
Rabah SELLAH
Abdellatif KEBRAOUI
Parametre en communs
Calcul de nombre maximale d'evaluations - Dataset Irris
Voici une analyse un peu plus poussée pour le jeu de données Penguins : 1. Performances globales : • K-Means obtient un WCSS légèrement inférieur (≈401.41) que NSGA-II/SPEA2 (≈404.64), mais sa connectivité est très élevée (≈29.79) et son score de silhouette est plus faible (≈0.45). • NSGA-II et SPEA2 augmentent un peu le WCSS (≈404.64) mais réduisent drastiquement la connectivité à 0, tout en améliorant la silhouette (≈0.53). • L’hypervolume est légèrement meilleur pour NSGA-II (≈3061.38) que pour SPEA2 (≈3051.58), ce qui suggère une couverture de solutions plus diversifiée pour NSGA-II. 2. Visualisations (Boxplots) : • Sur le boxplot du WCSS, on observe que K-Means a des valeurs inférieures, mais la différence avec NSGA-II/SPEA2 reste modérée. • Sur le boxplot de la connectivité, K-Means est nettement au-dessus alors que NSGA-II/SPEA2 atteignent des valeurs quasi nulles. • Le score de silhouette est plus élevé pour les méthodes multi-objectifs, reflétant une meilleure séparation des clusters. • L’hypervolume confirme l’avantage léger de NSGA-II sur SPEA2. 3. Front de Pareto : • K-Means (croix rouge) présente un WCSS plus faible mais une connectivité nettement plus haute (près de 30). • NSGA-II (points bleus) et SPEA2 (points verts) proposent des compromis en réduisant considérablement la connectivité (jusqu’à 0) pour un WCSS légèrement supérieur (≈400). • Les points NSGA-II/SPEA2 s’étendent sur un front où plus on accepte d’augmenter le WCSS, plus la connectivité chute fortement. 4. Clusters (PCA) : • L’exemple de clustering NSGA-II (PCA) montre deux gros groupes bien séparés (jaune et violet), indiquant une meilleure répartition des données que K-Means, malgré un WCSS légèrement supérieur.
Conclusion : • Si la compacité (WCSS) est la priorité, K-Means fait légèrement mieux. • Toutefois, pour minimiser la connectivité et obtenir une silhouette plus élevée, NSGA-II et SPEA2 sont bien supérieurs. • Globalement, les méthodes multi-objectifs offrent un meilleur compromis entre compacité et séparation des clusters, comme en témoigne l’hypervolume et la quasi-annulation de la connectivité.
