IK-BKM : Méthode K-modes crédibiliste incrémentale

Nous présentons dans cet article, une nouvelle approche incrémentale de classification non supervisée pour des données catégoriques dans un cadre incertain. Cette technique, intitulée IK-BKM, permet d'étendre la méthode BKM1 afin de mettre à jour la partition finale, et ce suite à l'incrémentation du nombre de classes formées. L'objectif principal est de réarranger la partition grâce à une mesure de dissimilarité sans reprendre en totalité le processus de clustering. En présentant une comparaison des résultats fournis par les deux versions incrémentale et non incrémentale, nous démontrons l'intérêt de la méthode proposée, dans un tel environnement dynamique et incertain. This paper presents a new incremental approach to clustering categorical data within uncertain context. This so-called Incremental K Belief K-modes Method (IKBKM) extends the Belief K-modes (BKM) one to update the cluster partition when new information is available namely the increase of final desired clusters' number. The main objective is to update clusters' partition by using a dissimilarity measure without complete reclustering. The comparative results, of both versions namely incremental and non incremental ones, show the interest of our proposed method within such dynamique and uncertain environment.