La fouille de données est l'analyse des observations d'un ensemble de données dont le but est d'identifier des relations non soupçonnées, et de résumer la connaissance incluse au sein de ces données sous de nouvelles formes à la fois compréhensibles et utiles pour l'expert de ces données; les études montrent que cette analyse est d'autant plus facile et plus explicite lorsqu'elle utilise une composante visuelle. Dans cet article, nous proposons une nouvelle approche qui permet d'apporter une solution au problème de la visualisation des données engendré par l'éparsité dans les cubes de données et ceci en utilisant une technique basée sur l'apprentissage automatique par réseaux de neurones à partir d'exemples. Notre travail s'inscrit dans une approche générale de couplage entre fouille de données et analyse en ligne. Il consiste à éliminer les variables exogènes non pertinentes par minimisation des connexions et à sélectionner les individus non applicables afin d'atténuer l'effet négatif de l'éparsité en organisant différemment les cellules d'un cube de données. Notre but consiste à construire un nouvel espace de représentation, regroupant toutes les cellules pleines.