Abstract FR:

Dans les jeux de données réels, les classe non-homogènes regroupent plusieurs comportements distincts. Ce type de classes pose des problèmes aux méthodes de caractérisation usuelles et nécessitent d'être segmentées en sous-classes pertinentes pour être correctement prises en compte. Nous proposons, dans notre thèse, une approche novatrice de segmentation automatique de classes en sous-classes qui détecte et isole les différents comportements. Nous proposons également une nouvelle définition du calcul des scores de typicalité qui se base sur ce découpage. Notre approche s'appuie sur l'organisation des classes dans le jeu de données et détecte automatiquement le bon nombre de sous-classes. Notre algorithme permet une amélioration des méthodes de construction de prototypes flous et donne des résultats de caractérisation plus riches. Notre approche a été testée et validée sur des jeux de données artificielles ainsi que sur des jeux de données réelles.