Classif Cours

Université de Caen
Éléments de classification
Christophe Chesneau
http://www.math.unicaen.fr/~chesneau/
Caen, le 28 Août 2016

TABLE DES MATIÈRES
Table des matières
1 Introduction 5
1.1 Classification non-supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Classification supervisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Les métiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Enjeux de la classification non-supervisée 9
3 Étude de la ressemblance 11
3.1 Nuage de points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Distances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Écarts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4 Algorithme de Classification Ascendante Hiérarchique (CAH) 23

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2 Description de l’algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.3 Dendrogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.4 Quelques commandes R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5 CAH et méthode de Ward ; compléments 33
6 Qualité d’une partition 41
7 ACP et CAH 45
8 Caractérisation des groupes 47
9 Algorithme des centres mobiles (k means) 49
10 Consolidation de l’algorithme de CAH 61
11 CAH avec des caractères qualitatifs 63
12 Enjeux de la classification supervisée 69
C. Chesneau 3
TABLE DES MATIÈRES
13 Méthode des k plus proches voisins 71
14 Modèle de mélange de densités 77
15 Régression logistique 81
Index 85
∼ Note ∼
Ce document résume les notions abordées dans le cours Éléments de classification du Master
1 MIASHS de l’université de Caen.
Un des objectifs est de donner des pistes de réflexion au regroupement/classification des
individus à partir de données.
Les méthodes statistiques y sont décrites de manière concise, avec les commandes R associées.
N’hésitez pas à me contacter pour tout commentaire :
[email protected]
Bonne lecture !
C. Chesneau 4
1 INTRODUCTION
1 Introduction
On présente ici les enjeux de la classification non-supervisée et de la classification supervisée.
1.1 Classification non-supervisée
Contexte : On considère n individus extraits au hasard d’une population. Pour chacun d’entre eux,
on dispose de p valeurs de p caractères X1 , . . . , Xp .
Objectif : Partant des données, l’objectif est de regrouper/classer les individus qui se ressemblent le
plus/qui ont des caractéristiques semblables.
Ce regroupement peut avoir des buts divers : tenter de séparer des individus appartenant à
des sous-populations distinctes, décrire les données en procédant à une réduction du nombre
d’individus pour communiquer, simplifier, exposer les résultats. . .
Exemple : Dans une classe, un professeur souhaite faire des binômes constitués d’élèves ayant des
compétences semblables. Parmi ceux-ci, 6 élèves ont obtenu les notes suivantes :
Maths Physique Ed Mus Art Plas
Boris 20 20 0 0
Mohammad 8 8 12 12
Stéphanie 20 20 0 0
Jean 0 0 20 20
Lilly 10 10 10 10
Annabelle 2 2 18 18
Tous les élèves ont une moyenne de 10/20 mais, vu les notes,
◦ Boris et Stéphanie ont un profil similaire,
◦ Mohammad et Lilly ont un profil similaire,
◦ Jean et Annabelle ont un profil similaire.
Finalement, le professeur décide de faire 2 groupes cohérents de 3 élèves avec ces 6 élèves. Lesquels
proposez-vous ?
C. Chesneau 5
1 INTRODUCTION
En comparant les notes par matière, on propose :
◦ Groupe 1 : Boris, Stéphanie et Lilly,
◦ Groupe 2 : Mohammad, Jean et Annabelle.
De plus, par exemple, le profil de Jean est plus proche de celui de Lilly, que celui de Stéphanie.
Bien entendu, cette analyse intuitive n’est pas possible si, par exemple, on a 30 élèves à classer
par groupes de 3 et on considère 12 matières. C’est pourquoi des méthodes mathématiques ont
été mises en place.
Applications : Quelques exemples d’applications de la classification non-supervisée sont présentés

ci-dessous.
◦ Application 1 : En biologie, on veut regrouper les espèces suivant leurs caractéristiques et donc
leurs origines communes.
◦ Application 2 : En psychologie, on veut classer les individus selon leur type de personnalités.
◦ Application 3 : En chimie, on veut classer des composés selon leurs propriétés.
◦ Application 4 : Dans l’industrie, on veut

◦ analyser des résultats d’enquêtes,
◦ identifier les clients potentiels d’une entreprise,
◦ identifier les clients susceptibles de partir à la concurrence,
◦ déterminer des lieux de ventes (pose de distributeurs de billets. . . ),
◦ analyser, identifier les risques (dégâts des eaux. . . ),
◦ analyser des données textuelles.
1.2 Classification supervisée
Contexte : On considère une population divisée en q groupes d’individus différents. Ces groupes sont
distinguables suivant les valeurs de p caractères X1 , . . . , Xp , sans que l’on ait connaissance des
valeurs de X1 , . . . , Xp les caractérisant. On dispose
◦ de n individus avec, pour chacun d’entre eux, les valeurs de X1 , . . . , Xp et son groupe d’appar-
tenance,
C. Chesneau 6
1 INTRODUCTION
◦ d’un individu ω∗ de la population avec ses valeurs de X1 , . . . , Xp , sans connaissance de son

groupe d’appartenance.
Objectif : Partant des données, l’objectif est de déterminer à quel groupe l’individu ω∗ a le plus
chance d’appartenir.
Exemple : Dans une classe, un professeur considère deux groupes d’élèves, G1 et G2, en fonction de
leur compétence. On dispose uniquement des notes et de l’affectation de 6 élèves :
Maths Physique Ed Mus Art Plas Groupe
Boris 20 20 0 0 G1
Mohammad 8 8 12 12 G2
Stéphanie 20 20 0 0 G1
Jean 0 0 20 20 G2
Lilly 10 10 10 10 G1
Annabelle 2 2 18 18 G2
D’autre part, un étudiant de la classe, Bob, a les résultats suivants :
Maths Physique Ed Mus Art Plas Groupe
Bob 9 15 13 11 inconnu
À partir de ses notes, à quel groupe Bob a le plus de chances d’appartenir ?
Autrement écrit, quel est la probabilité que Bob appartienne au groupe G1 sachant qu’il a obtenu
les notes (Maths, Physique, Ed Mus, Art Plas)= (9, 15, 13, 11) ?
On peut écrire cette probabilité comme :
P(Bob ∈ G1/(9, 15, 13, 11)).
La réponse n’est pas immédiate ; c’est pourquoi des méthodes mathématiques ont été mises en
place.
Applications : Quelques exemples d’applications de la classification supervisée sont présentés ci-

dessous.
◦ Application 1 : Un archéologue cherche à déterminer si des restes humains sont ceux d’un
homme ou d’une femme.
C. Chesneau 7
1 INTRODUCTION
◦ Application 2 : Dans une banque, une commission de crédit doit décider, à partir de paramètres
financiers, si on accorde ou non un prêt à un particulier.
◦ Application 3 : Étant donné un ensemble de symptômes, un médecin doit poser un diagnostic.
◦ Application 4 : Dans l’industrie, on veut

◦ identifier des visages, des empreintes digitales,
◦ identifier des objets dans des séquences vidéos,
◦ rechercher des clients potentiels dans des bases de données,
◦ rapprocher un ou plusieurs mots de manière pertinente au texte le plus pertinent.
1.3 Les métiers
Il y a de nombreux métiers où la classification est utilisée dont

◦ responsable logistique du traitement et de l’analyse des études,
◦ chargé d’études junior : prise en charge de la documentation, codage des questionnaires, traite-
ment statistiques simples,
◦ chargé d’études senior, assistant du chargé d’étude : prise en main d’une étude de marché,
◦ analyste statisticien, études quantitatives, aide à la décision, expert en statistiques,
◦ chef de projet.
C. Chesneau 8
2 ENJEUX DE LA CLASSIFICATION NON-SUPERVISÉE
2 Enjeux de la classification non-supervisée
Contexte : On considère n individus Γ = {ω1 , . . . , ωn } extraits au hasard d’une population. Pour

chacun d’entre eux, on dispose de p valeurs de p caractères X1 , . . . , Xp . Dans un premier temps,
on suppose que les caractères étudiés sont quantitatifs.
Les données sont donc de la forme :
X1 ... Xp
ω1 x1,1 ... xp,1

.. .. ..
. . ... .
ωn x1,n ... xp,n

où, pour tout (i, j) ∈ {1, . . . , n} × {1, . . . , p}, xj,i = Xj (ωi ) est l’observation du caractère Xj sur
l’individu ωi .
Objectif : Partant des données, l’objectif est de regrouper/classer les individus qui se ressemblent le
plus/qui ont des caractéristiques semblables.
Méthodes : Pour atteindre l’objectif, plusieurs méthodes sont possibles. Parmi elles, il y a
◦ l’algorithme de Classification Ascendante Hiérarchique (CAH),
◦ l’algorithme des centres mobiles,
◦ l’algorithme de Classification Descendante Hiérarchique (CDH),
◦ la méthode des nuées dynamiques (partitionnement autour d’un noyau),
◦ la méthode de classification floue,
◦ la méthode de classification par voisinage dense.
Ce document aborde quelques aspects des deux premiers points.
C. Chesneau 9
3 ÉTUDE DE LA RESSEMBLANCE
3 Étude de la ressemblance
3.1 Nuage de points
Matrice de données : On appelle matrice de données associées à Γ la matrice X définie par

 
 x1,1 . . . xp,1 
 . .. 
X= . ...
 . . 
 
x1,n . . . xp,n
Nuage de points : Pour tout i ∈ {1, . . . , n}, l’individu ωi peut être représenté dans Rp par un point
mi de coordonnées (x1,i , . . . , xp,i ). On appelle nuage de points la représentation graphique de
l’ensemble de ces points. Il est noté N = {m1 , . . . , mn }.
Ressemblance : On dira que des individus se ressemblent si les points associés sont proches les uns
des autres/si les distance qui les séparent sont petites.
Ainsi, on souhaite rechercher dans N les zones denses pouvant correspondre à des groupes d’in-
dividus qu’il s’agira d’interpréter par la suite.
Exemple 1 : On considère la matrice de données X associée à 5 individus, Γ = {ω1 , . . . , ω5 }, définie

par  
2 2
 
 
7.5 4
 
 
X=
3 3.
 
0.5 5
 
 
6 4
Implicitement, on considère donc 2 caractères X1 et X2 . Par exemple, l’individu ω2 a pour

caractéristiques X1 = 7.5 et X2 = 4.
C. Chesneau 11
Le nuage de point associé est :
La problématique est la suivante : comment regrouper ces individus en 2 ou 3 groupes, par

exemple, en fonction de leur position dans R2 ?
Visuellement, en fonction des zones denses, on peut envisager
◦ les 2 groupes suivants :
C. Chesneau 12
Exemple 2 : On considère un tableau de notes de 6 élèves :
Maths Physique Ed Mus Art Plas
Boris 19 17 2 8
Mohammad 7 8 12 12
Stéphanie 20 19 9 9
Jean 1 6 18 17
Lilly 10 11 12 12
Annabelle 2 12 18 18
La matrice de données X associée est

 
19 17 2 8
 
7 8 12 12
 
 
20 19 9 9
 
X=



1 6 18 17
 
 
10 11 12 12
 
 
2 12 18 18
C. Chesneau 13
La problématique est la suivante : comment regrouper ces individus en 2 ou 3 groupes, par

exemple, en fonction de leur position dans R4 ?
La représentation graphique dans R2 n’est donc pas possible.
Une solution est de considérer le plan principal d’une analyse en composante principale (ACP),
méthode statistique qui ne sera pas développée ici. Cela donne la représentation graphique sui-
vante :
C. Chesneau 14
Visuellement, en fonction des zones denses, on peut envisager
C. Chesneau 15
3.2 Distances
Distances : On peut donc aborder le problème de la ressemblance entre individus par le biais de la
notion de distance. On appelle distance sur un ensemble M toute application d : M 2 → [0, ∞[
telle que
◦ pour tout (x, y) ∈ M 2 , on a d(x, y) = 0 si, et seulement si, x = y,
◦ pour tout (x, y) ∈ M 2 , on a d(x, y) = d(y, x),
◦ pour tout (x, y, z) ∈ M 3 , on a
d(x, y) ≤ d(x, z) + d(z, y).
Exemple 1 : distance euclidienne : Soient m ∈ N∗ , x = (x1 , . . . , xm ) ∈ Rm et
y = (y1 , . . . , ym ) ∈ Rm . On appelle distance euclidienne entre x et y la distance :
v
um
uX
d(x, y) = t (xi − yi )2 .
i=1
Exemple 2 : distance de Manhattan : Soient m ∈ N∗ , x = (x1 , . . . , xm ) ∈ Rm et
y = (y1 , . . . , ym ) ∈ Rm . On appelle distance de Manhattan entre x et y la distance :
m
X
d(x, y) = |xi − yi |.
i=1
Exemple 3 : distance de Minkowski : Soient m ∈ N∗ , q ≥ 1, x = (x1 , . . . , xm ) ∈ Rm et
y = (y1 , . . . , ym ) ∈ Rm . On appelle distance de Minkowski entre x et y la distance :
m
!1
X q
d(x, y) = |xi − yi |q .
i=1
Exemple 4 : distance de Canberra : Soient m ∈ N∗ , x = (x1 , . . . , xm ) ∈ Rm et
-y = (y1 , . . . , ym ) ∈ Rm . On appelle distance de Canberra entre x et y la distance :
m
X |xi − yi |
d(x, y) = .
|xi + yi |
i=1
C. Chesneau 16
Exemple 5 : distance maximum : Soient m ∈ N∗ , x = (x1 , . . . , xm ) ∈ Rm et
y = (y1 , . . . , ym ) ∈ Rm . On appelle distance maximum entre x et y la distance :
d(x, y) = sup |xi − yi |.

i∈{1,...,m}
Quelques commandes R : Quelques commandes R associées à ces distances sont :
x = c(1, 16, 2, 9, 10, 16, 1)

y = c(14, 9, 9, 12, 4, 3, 13)
z = rbind(x, y)
dist(z, method = "euclidean")
dist(z, method = "manhattan")
dist(z, method = "minkowski", p = 6)
dist(z, method = "maximum")
Dorénavant, pour raison de simplicité et de popularité, seule la distance euclidienne sera consi-
dérée.
Distance entre 2 individus : Pour tout (u, v) ∈ {1, . . . , n}2 avec u 6= v, la distance euclidienne
entre les individus ωu et ωv est
v
u p
uX
d(ωu , ωv ) = t (xj,u − xj,v )2 .
j=1
Tableau des distances : Soit d une distance. On appelle tableau des distances associées aux indivi-
dus (ω1 , . . . , ωn ) le tableau :
ω1 ω2 ... ωn−1 ωn
ω1 0 d1,2 ... d1,n−1 d1,n
ω2 d2,1 0 ... ... ...

D=
... ... ... ... ... ...
ωn−1 dn−1,1 ... ... 0 dn−1,n
ωn dn,1 ... ... dn,n−1 0
C. Chesneau 17
Pour tout (u, v) ∈ {1, . . . , n}2 avec u 6= v, on a posé
v
u p
uX
du,v = d(ωu , ωv ) = t (xj,u − xj,v )2 .
j=1
Exemple : On considère la matrice de données X définie par
 
2 2
 
 
7.5 4
 
 
X=
3 3
 
0.5 5
 
 
6 4
En prenant 2 chiffres après la virgule, on a, par exemple,
p
d(ω1 , ω2 ) = (2 − 7.5)2 + (2 − 4)2 = 5.85.
En procédant de même, on obtient le tableau des distances :
ω1 ω2 ω3 ω4 ω5
ω1 0 5.85 1.41 3.35 4.47
ω2 5.85 0 4.60 7.07 1.50

D=
ω3 1.41 4.60 0 3.20 3.16
ω4 3.35 7.07 3.20 0 5.59
ω5 4.47 1.50 3.16 5.59 0
3.3 Écarts
Écarts : Soit P(Γ) l’ensemble des parties de Γ. On appelle écart toute application e : P(Γ)2 → [0, ∞[
définie à partir d’une distance et évaluant la ressemblance entre deux groupes d’individus.
Règle centrale : Plus l’écart entre deux éléments est petit, plus ils se ressemblent.
C. Chesneau 18
Écarts usuels : Parmi les écarts usuels entre deux groupes A et B/méthodes usuelles mesurant la
ressemblance entre deux groupes A et B, il y a :
◦ Écart simple (single linkage)/Méthode du plus proche voisin :
e(A, B) = min d(ω, ω∗ ).

(ω,ω∗ )∈A×B
L’écart entre deux groupes A et B est caractérisé par la distance la plus faible entre un
point de A et un point de B :
◦ Écart complet (complete linkage)/Méthode du voisin le plus éloigné :
e(A, B) = max d(ω, ω∗ ).

(ω,ω∗ )∈A×B
L’écart entre deux groupes A et B est caractérisé par la distance la plus forte entre un point
de A et un point de B :
◦ Écart moyen (average linkage)/Méthode de la distance moyenne :
1 X X
e(A, B) = d(ω, ω∗ ),
nA nB
ω∈A ω∗ ∈B
où nA est le nombre d’individus dans le groupe A, et nB le nombre d’individus dans le

groupe B.
C. Chesneau 19
L’écart entre deux groupes A et B est caractérisé par la distance moyenne entre les points
de A et B :
◦ Écart de Ward : Soit d la distance euclidienne. La méthode de Ward considère l’écart :
nA nB 2
e(A, B) = d (gA , gB ),
nA + nB
où gA est le centre de gravité de A, et gB celui de B. On rappelle que gA est le point

de coordonnées (x1,A , . . . , xp,A ), où, pour tout j ∈ {1, . . . , p}, xj,A désigne la moyenne des
valeurs observées du caractère Xj sur les nA individus du groupe A. De même pour gB .
Cette méthode prend en compte à la fois la dispersion à l’intérieur d’un groupe et la dis-
persion entre les groupes. Elle est utilisée par défaut dans la plupart des programmes infor-
matiques. Elle fera l’objet d’un chapitre à venir.
Tableau des écarts : Soit e un écart défini par une des méthodes précédentes. On appelle tableau
des écarts associé aux groupes d’individus (A1 , . . . , An ) le tableau :
A1 A2 ... An−1 An
A1 0 e1,2 ... e1,n−1 e1,n
A2 e2,1 0 ... ... ...

E=
... ... ... ... ... ...
An−1 en−1,1 ... ... 0 en−1,n
An en,1 ... ... en,n−1 0
où, pour tout (u, v) ∈ {1, . . . , n}2 avec u 6= v,
eu,v = e(Au , Av ).
C. Chesneau 20
Exemple : On considère la matrice de données X dans R2 définie par
 
2 2
 
 
7.5 4
 
 
X=
3 3
 
0.5 5
 
 
6 4
On considère la méthode du voisin le plus éloigné munie de la distance euclidienne.
Le tableau des écarts associé à ({ω1 }, . . . , {ω5 }) est en fait le tableau des distances :
ω1 ω2 ω3 ω4 ω5
ω1 0 5.85 1.41 3.35 4.47
ω2 5.85 0 4.60 7.07 1.50

E=
ω3 1.41 4.60 0 3.20 3.16
ω4 3.35 7.07 3.20 0 5.59
ω5 4.47 1.50 3.16 5.59 0
Soit A le couple d’individus : A = {ω1 , ω3 }. Par la même méthode, on obtient
e(ω2 , A) = max(e(ω2 , ω1 ), e(ω2 , ω3 )) = max(5.85, 4.60) = 5.85,
e(ω4 , A) = max(e(ω4 , ω1 ), e(ω4 , ω3 )) = max(3.35, 3.20) = 3.35
et
e(ω5 , A) = max(e(ω5 , ω1 ), e(ω5 , ω3 )) = max(4.47, 3.16) = 4.47.
C. Chesneau 21
Le tableau des écarts associé à ({ω2 }, {ω4 }, {ω5 }, A) est
ω2 ω4 ω5 A
ω2 0 7.07 1.50 5.85

E = ω4 7.07 0 5.59 3.35
ω5 1.50 5.59 0 4.47
A 5.85 3.35 4.47 0
C. Chesneau 22
4 ALGORITHME DE CLASSIFICATION ASCENDANTE HIÉRARCHIQUE (CAH)
4 Algorithme de Classification Ascendante Hiérarchique (CAH)
4.1 Introduction
CAH : L’idée de l’algorithme de Classification Ascendante Hiérarchique (CAH) est de créer, à chaque
étape, une partition de Γ = {ω1 , . . . , ωn } en regroupant les deux éléments les plus proches. Le
terme "élément" désigne aussi bien un individu qu’un groupe d’individus.
Objectif : On veut
◦ mettre en relief les liens hiérarchiques entre les individus ou groupe d’individus,
◦ détecter les groupes d’individus qui se démarquent le plus.
4.2 Description de l’algorithme
Algorithme CAH : L’algorithme de CAH est décrit ci-dessous :
• On choisit un écart. On construit le tableau des écarts pour la partition initiale des n individus
de Γ :
P0 = ({ω1 }, . . . , {ωn }).
Chaque individu constitue un élément.
• On parcours le tableau des écarts pour identifier le couple d’individus ayant l’écart le plus
petit. Le regroupement de ces deux individus forme un groupe A. On a donc une partition
de Γ de n − 1 éléments : A et les n − 2 individus restants.
• On calcule le tableau des écarts entre les n − 1 éléments obtenus à l’étape précédente et on
regroupe les deux éléments ayant l’écart le plus petit (cela peut être deux des n−2 individus,
ou un individu des n − 2 individus restants avec A). On a donc une partition de Γ de n − 2
éléments.
• On itère la procédure précédente jusqu’à ce qu’il ne reste que deux éléments.
C. Chesneau 23
• On regroupe les deux éléments restants. Il ne reste alors qu’un seul élément contenant tous les
individus de Γ.
Exemple graphique : Ci-dessous, un exemple graphique des étapes de l’algorithme CAH :
Quelques commandes R : hclust et agnes : On peut aussi utiliser la commande hclust (pour Hie-
rarchical CLUSTering) :
x = c(2.4, 7.1, 3.8, 1.2, 6.5, 2.1, 4.3, 3, 5.1, 4.3)

m = matrix(x, ncol = 2, nrow = 5)
d = dist(m, method = "euclidean")
cah = hclust(d, "complete")
cah$merge
C. Chesneau 24
Si on a directement affaire au tableau des distances, la commande est as.dist :
M = matrix(c(0, 23, 15, 22, 30, 26, 20, 23, 0, 26, 25, 16, 25, 33, 15, 26,
0, 28, 37, 28, 20, 22, 25, 28, 0, 22, 7, 28, 30, 16, 37, 22, 0, 20, 22, 26,
25, 28, 7, 20, 0, 18, 20, 33, 20, 28, 22, 18, 0), byrow = T, ncol = 7)
rownames(M) = c("A","B","C","D","E","F","G")
colnames(M) = c("A","B","C","D","E","F","G")
d = as.dist(M)
cah = hclust(d, "single")
cah$merge
Alternativement à hclust, on peut utiliser la commande agnes (pour AGglomerative NESting)

qui offre plus de possibilités :
x = matrix(c(1, 16, 2, 9, 10, 16, 1, 17, 15, 2, 1, 37, 0, 14, 9, 9, 12, 4,

3, 13), ncol = 5, nrow = 4)
library(cluster)
ag = agnes(x, method = "average")
ag$merge
Avec agnes, on peut soit travailler directement avec la matrice de données (en précisant
diss = F si la matrice est carrée, sinon la commande comprend), soit avec le tableau des distances
(en précisant diss = T).
4.3 Dendrogramme
Dendrogramme : Les partitions de Γ faites à chaque étape de l’algorithme de la CAH peuvent se

visualiser via un arbre appelé dendrogramme. Sur un axe apparait les individus à regrouper et
sur l’autre axe sont indiqués les écarts correspondants aux différents niveaux de regroupement.
Cela se fait graphiquement par le biais de branches et de nœuds.
Une partition naturelle se fait en coupant l’arbre au niveau du plus grand saut de nœuds.
C. Chesneau 25
 
2 2
 
 
7.5 4
 
 
X=
3 3
 
0.5 5
 
 
6 4
On va regrouper les individus avec l’algorithme CAH et la méthode du voisin le plus éloigné
munie de la distance euclidienne.
◦ Le tableau des écarts associé à P0 = ({ω1 }, . . . , {ω5 }) est
ω1 ω2 ω3 ω4 ω5
ω1 0 5.85 1.41 3.35 4.47
ω2 5.85 0 4.60 7.07 1.50
ω3 1.41 4.60 0 3.20 3,16
ω4 3.35 7.07 3.20 0 5.59
ω5 4.47 1.50 3.16 5.59 0
Les éléments (individus) ω1 et ω3 ont l’écart le plus petit : ce sont les éléments les plus proches.
On les rassemble pour former le groupe : A = {ω1 , ω3 }. On a une nouvelle partition de Γ :
P1 = ({ω2 }, {ω4 }, {ω5 }, A).
◦ Le tableau des écarts associé à P1 est
ω2 ω4 ω5 A
ω2 0 7.07 1.50 5.85
ω4 7.07 0 5.59 3.35
ω5 1.50 5.59 0 4.47
A 5.85 3.35 4,47 0
C. Chesneau 26
On a
e(ω2 , A) = max(e(ω2 , ω1 ), e(ω2 , ω3 )) = max(5.85, 4.60) = 5.85,
e(ω4 , A) = max(e(ω4 , ω1 ), e(ω4 , ω3 )) = max(3.35, 3.20) = 3.35
et
e(ω5 , A) = max(e(ω5 , ω1 ), e(ω5 , ω3 )) = max(4.47, 3.16) = 4.47.
Les éléments (individus) ω2 et ω5 sont les plus proches. On les rassemble pour former le groupe :
B = {ω2 , ω5 }. On a une nouvelle partition de Γ :
P2 = ({ω4 }, A, B).
ω4 A B
ω4 0 3.35 7.07
A 3.35 0 5.85
B 7.07 5.85 0
On a
e(B, ω4 ) = max(e(ω2 , ω4 ), e(ω5 , ω4 )) = max(7.07, 5.59) = 7.07
et
e(B, A) = max(e(ω2 , A), e(ω5 , A)) = max(5.85, 4.47) = 5.85.
Les éléments ω4 et A sont les plus proches. On les rassemble pour former le groupe :
C = {ω4 , A} = {ω1 , ω3 , ω4 }. On a une nouvelle partition de Γ :
P3 = (B, C).
C. Chesneau 27
B C
B 0 7.07
C 7.07 0
On a
e(C, B) = max(e(ω4 , B), e(A, B)) = max(7.07, 5.85) = 7.07.
Il ne reste plus que 2 éléments, B et C ; on les regroupe. On obtient la partition

P5 = {ω1 , . . . , ω5 } = Γ. Cela termine l’algorithme de CAH.
Au final,
◦ les éléments {ω1 } et {ω3 } ont été regroupés avec un écart de 1.41,
◦ les éléments A = {ω1 , ω3 } et {ω4 } ont été regroupés avec un écart de 3.35,
◦ les éléments C = {ω4 , A} et B = {ω2 , ω5 } ont été regroupés avec un écart de 7.07.
On peut donc construire le dendrogramme associé :
C. Chesneau 28
Comme le plus grand saut se situe entre les éléments B et C (on a 7.07−3.35 = 3.72), on propose
les deux groupes : B et C.
4.4 Quelques commandes R
Avec la commande hclust :
◦ D’abord, on met les données dans une matrice et on trace le nuage de points :
x = c(2, 7.5, 3, 0.5, 6, 2, 4, 3, 5, 4)

plot(m)
◦ On calcule les distances euclidiennes :
dist(m)
◦ On met en œvre l’algorithme CAH avec la méthode du voisin le plus éloigné (complete linkage) :
hc = hclust(dist(m), "complete")
On affiche les regroupements :
hc$merge
Cela renvoie :
[,1] [,2]
[1,] -1 -3
[2,] -2 -5
[3,] -4 1
[4,] 2 3
C. Chesneau 29
Ainsi, à la première étape, les individus ω1 et ω3 ont été regroupés, formant ainsi le groupe 1, à
la deuxième étape, ω2 et ω5 ont été regroupés, formant ainsi le groupe 2, à la troisième étape ω4
et le groupe 1, ont été regroupés, formant ainsi le groupe 3, et pour finir, les groupes 2 et 3 ont
été regroupés.
◦ On affiche les écarts de regroupements :
hc$height
Cela renvoie : 1.414214 1.500000 3.354102 7.071068, rejoignant ainsi la conclusion de

l’exercice, à savoir :
– les éléments {ω1 } et {ω3 } ont été regroupés avec un écart de 1.41,
– les éléments {ω2 } et {ω5 } ont été regroupés avec un écart de 1.50,
– les éléments A = {ω1 , ω3 } et {ω4 } ont été regroupés avec un écart de 3.35,
– les éléments C = {ω4 , A} et B = {ω2 , ω5 } ont été regroupés avec un écart de 7.07.
◦ On trace le dendrogramme :
plot(hc, hang = -1)
◦ On peut demander à quel groupe chaque individu appartient suivant la hauteur des sauts avec
la commande cutree. Avec 2 groupes, on a :
cutree(hc, k = 2)
◦ On peut alors afficher clairement les groupes :
rect.hclust(hc, 2)
C. Chesneau 30
Avec la commande agnes : Avec la commande agnes, on propose :
x = c(2, 7.5, 3, 0.5, 6, 2, 4, 3, 5, 4)

library(cluster)
ag = agnes(m, method = "average")
ag$merge
ag$height
cutree(ag, k = 2)
pltree(ag, hang = -1)
clusplot(m, cutree(ag, k = 2), labels = 3)
C. Chesneau 31
On obtient
◦ le dendrogramme :
◦ une représentation graphique des regroupements obtenus (utilisant l’ACP) :
C. Chesneau 32
5 CAH ET MÉTHODE DE WARD ; COMPLÉMENTS
5 CAH et méthode de Ward ; compléments
Centre de gravité : On appelle centre de gravité du nuage de points N = {m1 , . . . , mn } le point g

de coordonnées (x1 , . . . , xp ), où, pour tout j ∈ {1, . . . , p},
n
1X
xj = xj,i .
n
i=1
Pour raison de simplicité, on dira que g est le centre de gravité associé à Γn = {ω1 , . . . , ωn } ; on
ne se ramènera pas toujours au nuage de point associé.
Inertie totale : On appelle inertie totale de N autour de son centre de gravité g le réel :
n
1X 2
Itot = d (ωi , g).
n
i=1
On peut remarquer que
p n
X 1X
Itot = s2j , s2j = (xj,i − xj )2 .
n
j=1 i=1
L’inertie de N est une mesure de l’homogénéité de N .
Inertie d’un sous-nuage de points : Soient h ∈ {1, . . . , n} et P = (N` )`∈{1,...,h} une partition de
N . Ainsi, pour tout ` ∈ {1, . . . , h}, N` est un sous-nuage de points de N . On note
◦ n` le nombre d’individus représentés par N` ,
◦ g` le centre de gravité de N` , donc le point de coordonnées (x1,` , . . . , xp,` ), où, pour tout
j ∈ {1, . . . , p}, xj,` désigne la moyenne des valeurs observées du caractère Xj sur les n` individus
du sous-nuage N` .
◦ Inertie totale : On appelle inertie totale de N` autour de son centre de gravité g` le réel :
1 X 2
I(N` ) = d (ωi , g` ).
n`
i∈N`
C. Chesneau 33
◦ Inertie intra-classes : On appelle inertie intra-classes le réel :

 
h p X
h X
X n` 1 X
Iintra (P) = I(N` ) = (xj,i − xj,` )2  .
n n
`=1 j=1 `=1 i∈N`
L’inertie intra-classes mesure l’homogénéité de l’ensemble des sous-nuages de la partition.
◦ Inertie inter-classes : On appelle inertie inter-classes le réel :

 
h p X
h X
X n` 1 X
Iinter (P) = d2 (g` , g) = (xj,` − xj )2  .
n n
`=1 j=1 `=1 i∈N`
L’inertie inter-classes mesure la séparation entre les sous-nuages de la partition.
Décomposition de Huygens : Pour toute partition P de N , on a
Itot = Iintra (P) + Iinter (P).
On constate que minimiser l’inertie intra-classes est équivalent à maximiser l’inertie inter-classes.
Cette décomposition est illustrée par les schémas ci-dessous :
Le point g est le centre de gravité du nuage de points, g1 est celui du sous-nuage de points à
gauche, g2 est celui du sous-nuage de points à droite et g3 est celui du sous-nuage de points en
bas. Les traits de couleurs représentent les distances entre les points et les centres de gravité.
C. Chesneau 34
Alors la somme des distances des traits bleus au carré est égale à la somme des distances des
traits verts au carré plus la somme des traits orange au carré. Ce résultat est une conséquence
du théorème de Pythagore.
Sur l’écart de Ward : L’utilisation de l’algorithme de CAH avec la méthode de Ward est justifiée
par le résultat suivant :
Soient Γn = {ω1 , . . . , ωn } n individus et g le centre de gravité associé. Soient A et B deux groupes

d’individus
◦ d’effectifs respectifs nA et nB ,
◦ de centres de gravité associés respectifs gA et gB .
Le regroupement de A et B, noté A ∪ B, a pour centre de gravité :
nA gA + nB gB
gA∪B = .
nA + nB
La perte d’inertie inter-classes lors du regroupement de A et B est égale à 1/n multiplié par
nA nB 2
nA d2 (gA , g) + nB d2 (gB , g) − (nA + nB )d2 (gA∪B , g) = d (gA , gB ).
nA + nB
On reconnait alors l’écart de Ward qui est donc une mesure de la perte d’inertie inter-classes lors
du regroupement de A et B. Ainsi, à chaque étape de l’algorithme de CAH, on veut regrouper
des éléments dont le regroupement provoque une perte minimale de l’inertie inter-classes.
Dendrogramme associé à l’écart de Ward : Pour la hauteur des branches, on peut soit prendre
les écarts, soit prendre les inerties intra-classe correspondants aux différents niveaux de regrou-
pement.
Commande agnes et écart de Ward : La commande agnes avec method = "ward" considère un
écart défini comme une transformation de l’écart de Ward original :
√
r
nA nB 2
e(A, B) = 2 d (gA , gB ) = 2 × écart de Ward.
nA + nB
Cela ne change rien quant à la hiérarchie de la classification.
C. Chesneau 35
 
2 2
 
 
7.5 4
 
 
X=
3 3
 
0.5 5
 
 
6 4
On fait l’algorithme de CAH avec la méthode de Ward.

◦ Le tableau des écarts associé à P0 = ({ω1 }, . . . , {ω5 }) est
ω1 ω2 ω3 ω4 ω5
ω1 0 17.12 1 5.62 10
ω2 17.12 0 10.62 25 1,12
ω3 1 10.62 0 5.12 5
ω4 5.62 25 5.12 0 15.62
ω5 10 1.12 5 15.62 0
Par exemple, on a
1×1
(2 − 7.5)2 + (2 − 4)2 = 17.12.

e(ω1 , ω2 ) =
1+1
Les éléments (individus) ω1 et ω3 ont l’écart le plus petit : ce sont les éléments les plus proches.
On les rassemble pour former le groupe : A = {ω1 , ω3 }. On a une nouvelle partition de Γ :
P1 = ({ω2 }, {ω4 }, {ω5 }, A).
L’inertie intra-classes de P1 est
1
Iintra (P1 ) = × 1 = 0.2.
5
C. Chesneau 36
◦ Le centre de gravité associé à A est le point gA de coordonnées :

2+3 2+3
, = (2.5, 2.5).
2 2
Le tableau des écarts associé à P1 est
ω2 ω4 ω5 A
ω2 0 25 1.12 18.16
ω4 25 0 15.62 6.83
ω5 1.12 15.62 0 9.66
A 18.16 6.83 9.66 0
Par exemple, on a
1×2
(7.5 − 2.5)2 + (4 − 2.5)2 = 18.16.

e(ω2 , A) =
1+2
Les éléments (individus) ω2 et ω5 sont les plus proches. On les rassemble pour former le groupe :
B = {ω2 , ω5 }. On a une nouvelle partition de Γ :
P2 = ({ω4 }, A, B).
1
Iintra (P2 ) = 0.2 + × 1.12 = 0.424.
5
◦ Le centre de gravité associé à B est le point gB de coordonnées (6.75, 4).
C. Chesneau 37
ω4 A B
ω4 0 6.83 26.7
A 6.83 0 20.31
B 26.7 20.31 0
On a, par exemple,
2×2
(6.75 − 2.5)2 + (4 − 2.5)2 = 20.31.

e(B, A) =
2+2
Les éléments ω4 et A sont les plus proches. On les rassemble pour former le groupe :
C = {ω4 , A}. On a une nouvelle partition de Γ :
P3 = (B, C).
1
Iintra (P3 ) = 0.424 + × 6.83 = 1.79.
5
◦ Le centre de gravité associé à C est le point gC de coordonnées :

2 + 3 + 0.5 2 + 3 + 5
, = (1.83, 3.33).
3 3
B C
B 0 29.58
C 29.58 0
On a
2×3
(6.75 − 1.83)2 + (4 − 3.33)2 = 29.58.

e(B, C) =
2+3
C. Chesneau 38
Il ne reste plus que 2 éléments, B et C ; on les regroupe. Cela donne la partition

P4 = {ω1 , . . . , ω5 } = Γ.
1
Iintra (P4 ) = 1.79 + × 29.58 = 7.706.
5
Cela termine l’algorithme de CAH.

Un indicateur qu’aucune erreur n’a été commise est l’égalité : Iintra (P4 ) = Itot . On vérifie
alors cela : on a
I(N ) = σ12 + σ22 ,
avec v v
u n u n
u1 X u1 X
σ1 = t (x1,i − x1 )2 = 2.5807, σ2 = t (x2,i − x2 )2 = 1.0198.
n n
i=1 i=1
Donc
I(N ) = 2.58072 + 1.01982 = 7.701.
On admet alors l’égalité (en prenant en compte les arrondis de décimales).

Au final,
◦ les éléments {ω1 } et {ω3 } ont été regroupés avec un écart de 1,
◦ les éléments A = {ω1 , ω3 } et {ω4 } ont été regroupés avec un écart de 6.83,
◦ les éléments B = {ω2 , ω5 } et C = {ω4 , A} ont été regroupés avec un écart de 29.58.
On peut donc construire le dendrogramme associé.
Quelques commandes R : Avec la commande agnes, on propose :
x = c(2, 7.5, 3, 0.5, 6, 2, 4, 3, 5, 4)

library(cluster)
ag = agnes(m, method = "ward")
pltree(ag, hang = -1)
C. Chesneau 39
On obtient :
Comme le plus grand écart se situe entre les éléments B et C, on envisage de considérer ces deux
groupes.
√
Avec la commande agnes, notons que la formule : 2 × écart de Ward a été utilisée pour les
√ √
hauteurs des branches du dendrogramme : on a 2 × 1 = 1.41, 2 × 1.12 = 1.49,
√ √
2 × 6.83 = 3.69 et 2 × 29.58 = 7.69.
C. Chesneau 40
6 QUALITÉ D’UNE PARTITION
6 Qualité d’une partition
Coefficient d’agglomération : On appelle coefficient d’agglomération le réel :
n
1X e(ωi , Ai )
AC = 1− ,
n e(Q, R)
i=1
où
◦ pour tout i ∈ {1, . . . , n}, Ai désigne le premier élément avec lequel ωi a été regroupé,
◦ Q et R désignent les deux derniers groupes rassemblés à l’étape finale de l’algorithme.
On a AC ∈]0, 1[.
Plus AC est proche de 1, plus les individus sont fortement structurés en plusieurs groupes. Une
valeur proche de 0 signifie que les individus appartiennent tous à un même groupe.
Quelques commandes R : On considère le jeu de données "aliments" dont voici l’entête :
Individus X1 X2 X3 X4 X5
1 BB 340 20 28 9 2.60
2 HR 245 21 17 9 2.70
3 BR 420 15 39 7 2.00
4 BS 375 19 32 9 2.50
5 BC 180 22 10 17 3.70
6 CB 115 20 3 8 1.40
Un exemple de CAH et AC avec la commande agnes est :
w = read.table("http://www.math.unicaen.fr/~chesneau/aliments.txt",
header = T)
w
attach(w)
library(cluster)
ag = agnes(w[ ,-1], method = "average")
ag$ac
plot(ag, which = 2, hang = -1)
C. Chesneau 41
Cela renvoie le coefficient d’agglomération AC = 0.9054413 et le dendrogramme :
On constate alors une bonne structure de groupes, confirmée par le coefficient d’agglomération
proche de 1.
Indice de silhouette : Pour tout i ∈ {1, . . . , n}, on appelle indice de silhouette associé à l’individu
ωi le réel :
bi − ai
S(i) = ,
max(ai , bi )
où
◦ ai est la moyenne des distances entre ωi et les individus de son groupe,
◦ bi est la moyenne des distances entre ωi et les individus du groupe le plus proche de celui
auquel il appartient.
On a S(i) ∈] − 1, 1[.
Plus S(i) est proche de 1, plus l’appartenance de ωi a son groupe est justifiée.
C. Chesneau 42
Ainsi, les individus ayant des grands indices de silhouette sont bien regroupés.
Si l’indice de silhouette d’un individu est négatif, l’individu n’est pas dans le bon groupe et
pourrait être déplacé dans le groupe le plus proche.
Largeur de silhouette : On appelle largeur de silhouette de la partition le réel :
n
1X
S= S(i).
n
i=1
On a alors l’interprétation suivante :
Valeur de S Nature de la structure
∈]0.51, 1] Forte
∈]0.31, 0.50] Raisonnable
∈ [0, 0.30[ Faible
∈ [−1, 0[ Inexistante
On peut également calculer S pour les individus d’un groupe.
Quelques commandes R : Ci-dessous un exemple utilisant les indices de silhouette :
w = read.table("http://www.math.unicaen.fr/~chesneau/aliments.txt",
header = T)
w
attach(w)
d = dist(w[ ,-1], method = "euclidean")
library(cluster)
ag = agnes(d, method = "average")
ag3 = cutree(ag, 3)
si = silhouette(ag3, d)
plot(si, col = c("red", "green", "blue"))
C. Chesneau 43
Cela renvoie le graphique :
Cela renvoie une largeur de silhouette de 0.56, soit une structure forte de la partition, un individu
isolé dans le troisième groupe (ω5 ) et pas d’individu mal regroupé ; aucun indice de silhouette
n’est négatif.
Remarques : D’autres indices de qualité existent. Il y a notamment :
◦ l’indice d’inertie,
◦ l’indice de connectivité,
◦ l’indice de Dunn,
◦ le Cubic Clustering Criterion (CCC).
C. Chesneau 44
7 ACP ET CAH
7 ACP et CAH
Idée : Lorsque l’on travaille avec plus de 3 variables quantitatives, donc p ≥ 3, on peut faire une
analyse en composantes principales (ACP) et considérer les coordonnées des individus sur le plan
principal.
Quelques commandes R : Un exemple de commandes utilisant le package FactoMineR et l’écart de

Ward est présenté ci-dessous :
library(FactoMineR)
x = c(19, 7, 20, 1, 10, 2, 17, 8, 19, 6, 11, 12, 2, 12, 9, 18, 12, 18, 8,
12, 9, 17, 12, 18)
acp = PCA(m, ncp = 2, graph = F)
res = HCPC(acp)
On décide de faire 3 groupes (la coupure se fait interactivement sur le dendrogramme affiché).
On obtient les graphiques :
C. Chesneau 45
7 ACP ET CAH
C. Chesneau 46
8 CARACTÉRISATION DES GROUPES
8 Caractérisation des groupes
Parangons : Pour chaque groupe formé, on appelle parangon l’individu dont les coordonnées
sont les plus proches du centre de gravité du groupe. Le profil de cet individu caractérise
alors le groupe auquel il appartient.
Caractères dominants dans la classification : Pour connaître les caractères qui jouent un
rôle important dans la classification, on peut faire p ANOVA à 1 facteur associées aux p
caractères considérés. Plus précisément, pour tout j ∈ {1, . . . , p}, on fait une ANOVA à 1
facteur avec :
◦ le facteur G ayant pour modalités les q groupes formés : G1 , . . . , Gq ,
◦ le caractère Xj (variable quantitative).
Pour chacun des p tests d’hypothèses, le test de Fisher renvoie alors une p-valeur évaluant
l’influence du facteur sur le caractère considéré. Ainsi, les caractères associés aux p-valeurs
les plus petites sont ceux qui importent le plus dans la classification obtenue.
Caractères dominants d’un groupe : On peut déterminer les caractères dominants pour cha-
cun des groupes formés. Pour se faire, pour chacun des caractères, on peut faire un test
d’hypothèses reposant sur loi normale. Soient G1 , . . . , Gq les q groupes formés. Pour tout
g ∈ {1, . . . , q} et tout j ∈ {1, . . . , p}, on calcule :
◦ xj,g : la moyenne des valeurs du caractère Xj pour les individus du groupe g,
◦ xj : la moyenne des valeurs du caractère Xj ,
◦ ng : le nombre d’individus dans le groupe g,
◦ sj : l’écart-type corrigé des valeurs du caractère Xj ,
◦ le zobs :
xj,g − xj
zobs = r .
s2 j n−ng
ng n−1
On considère alors la p-valeur :
p-valeur = P(|Z| ≥ |zobs |), Z ∼ N (0, 1).
C. Chesneau 47
8 CARACTÉRISATION DES GROUPES
Ainsi, pour tout g ∈ {1, . . . , q}, on obtient p p-valeurs qu’il convient de classer par ordre
croissant. Pour chaque groupe, les plus petites correspondent aux caractères qui importent
le plus dans la constitution de ce groupe.
Quelques commandes R : On considère le jeu de données "zebu" dont voici l’entête :
vif carc qsup tota gras os

1 395 224 35.10 79.10 6.00 14.90
2 410 232 31.90 73.40 9.70 16.40
3 405 233 30.70 76.50 7.50 16.50
4 405 240 30.40 75.30 8.70 16.00
5 390 217 31.90 76.50 7.80 15.70
6 405 243 32.10 77.40 7.10 15.50
On décrit ci-dessous des exemples de commandes R avec FactoMineR :
library(FactoMineR)
w = read.table("http://www.math.unicaen.fr/~chesneau/zebu.txt", header = T)
w
attach(w)
acp = PCA(w, ncp = 5, graph = F)
res = HCPC(acp, consol = F)
On décide de faire 2 groupes.
◦ Classification :
res$data.clust
◦ Parangons (donnés par les premiers noms de chaque liste) :
res$desc.ind
L’individu ω13 est un parangon pour le premier groupe et ω3 est un parangon pour le
deuxième.
◦ Étude des caractères dominants dans la classification et des caractères dominants d’un
groupe :
res$desc.var
On remarque que gras (caractère X3 ), tota (caractère X4 ) et qsup (caractère X5 ) caracté-

risent le mieux la partition et ce sont les caractères dominants des groupes.
C. Chesneau 48
9 ALGORITHME DES CENTRES MOBILES (K MEANS)
9 Algorithme des centres mobiles (k means)
Algorithme des centres mobiles (k means) : L’algorithme des centres mobiles vise à classer une
population Γ en q classes. Cela se fait de manière automatique ; il n’y a pas de lien hiérarchique
dans les regroupements contrairement à l’algorithme CAH. Il est le mieux adapté aux très grands
tableaux de données.
L’algorithme des centres mobiles avec la méthode de Lloyd (la plus standard) est décrit ci-
dessous :
• On choisit q points au hasard dans Rp . Ces points sont appelés centres.
• On calcule le tableau de distances entre tous les individus et les q centres.
• On forme alors q groupes de la manière suivante : chaque groupe est constitué d’un centre et
des individus les plus proches de ce centre que d’un autre. On obtient une partition P1 de
Γ.
• On calcule le centre de gravité de chacun des q sous-nuages de points formés par les q groupes.
Ces q centres de gravité sont nos nouveaux q centres.
• On calcule le tableau de distances entre tous les individus et les nouveaux q centres.
• On forme alors q groupes, chaque groupe étant constitué d’un centre et des individus les plus
proches de ce centre que d’un autre. On a une nouvelle partition P2 de Γ.
• On itère la procédure précédente jusqu’à ce que deux itérations conduisent à la même partition.
Remarque importante : La classification des individus dépend du choix des centres initiaux. Plu-
sieurs méthodes existent pour choisir judicieusement ces centres.
C. Chesneau 49
Illustration : Une illustration de l’algorithme des centres mobiles est présentée ci-dessous :
Exemple : Dans une étude industrielle, on a étudié 2 caractères : X1 et X2 , sur 6 individus ω1 , . . . , ω6 .

Les données recueillies sont :
X1 X2
ω1 −2 2
ω2 −2 −1
ω3 0 −1
ω4 2 2
ω5 −2 3
ω6 3 0
1. Dans un premier temps, on fait une classification par l’algorithme des centres mobiles avec,
pour centres initiaux, c01 de coordonnées (−1, −1) et c02 de coordonnées (2.3).
2. Dans un deuxième temps, on fait de même avec, pour centres initiaux, c01 de coordonnées
(−1, 2) et c02 de coordonnées (1, 1).
1. ◦ On considère les centres initiaux c01 de coordonnées (−1, −1) et c02 de coordonnées (2, 3).
C. Chesneau 50
Le tableau des distances entre les individus et ces centres est
ω1 ω2 ω3 ω4 ω5 ω6
c01 3.16 1 1 4.24 4.12 4.12
c02 4.12 5.66 4.47 1 4 3.16
p
Exemple de calcul : d(ω1 , c01 ) = (−2 − (−1))2 + (2 − (−1))2 = 3.16.
D’où les deux groupes :
A = {ω1 , ω2 , ω3 }, B = {ω4 , ω5 , ω6 }.
◦ On considère deux nouveaux centres, c11 et c12 , lesquels sont les centres de gravité des deux
groupes A et B. Donc c11 a pour coordonnées −2−2+0 , 2−1−1 = (−1.33, 0) et c12 a pour

3 3
coordonnées ( 2−2+3
3 , 2+3+0
3 ) = (1, 1.67).
ω1 ω2 ω3 ω4 ω5 ω6
c11 2.11 1.20 1.66 3.88 3.07 4.33
c12 3.02 4.02 2.85 1.05 3.28 2.61
A = {ω1 , ω2 , ω3 , ω5 }, B = {ω4 , ω6 }.
groupes A et B. Donc c21 a pour coordonnées −2−2+0−2 , 2−1−1+3 = (−1.5, 0.75) et c22

4 4
a pour coordonnées 2+3 2+0

2 , 2 = (2.5, 1).
C. Chesneau 51
ω1 ω2 ω3 ω4 ω5 ω6
c21 1.35 1.82 2.30 3.72 2.30 4.56
c21 4.61 4.92 3.20 1.12 4.92 1.12
A = {ω1 , ω2 , ω3 , ω5 }, B = {ω4 , ω6 }.
On retrouve la même classification que l’étape précédente, on arrête l’algorithme.
2. Considérons maintenant les centres initiaux c01 de coordonnées (−1, 2) et c02 de coordonnées
(1, 1).
◦ On considère les centres initiaux c01 de coordonnées (−1, 2) et c02 de coordonnées (1, 1).
ω1 ω2 ω3 ω4 ω5 ω6
c01 1 3.16 3.16 3 1.41 4.47
c02 3.16 3.60 2.24 1.41 3.60 2.24
A = {ω1 , ω2 , ω5 }, B = {ω3 , ω4 , ω6 }.
groupes A et B. Donc c11 a pour coordonnées ( −2−2−2
3 , 2−1+3
3 ) = (−2, 1.33) et c12 a pour
coordonnées ( 0+2+3
3 , −1+2+0
3 ) = (1.67, 0.33).
C. Chesneau 52
ω1 ω2 ω3 ω4 ω5 ω6
c11 0.67 2.33 3.07 4.06 1.67 5.17
c12 4.03 3.90 2.13 1.70 4.54 1.37
A = {ω1 , ω2 , ω5 }, B = {ω3 , ω4 , ω6 }.
On retrouve la même classification que l’étape précédente, on arrête l’algorithme.
Remarque : On obtient deux classifications différentes suivant les choix des centres ini-
tiaux.
Commandes R de l’exemple :
Pour le 1., les commandes R associées sont :
x = c(-2, -2, 0, 2, -2, 3, 2, -1, -1, 2, 3, 0)

clus = kmeans(m, centers=rbind(c(-1, -1), c(2, 3)), algorithm = "Lloyd")
clus$cluster
clus$centers
plot(m, col = clus$cluster, pch = 1, lwd = 3, xlab = "X1", ylab = "X2")
points(clus$centers, col = 1:2, pch = 9, lwd = 3)
C. Chesneau 53
Cela renvoie les groupes d’affectation de chaque individu (clus$cluster), les coordonnées des
centres de gravité de chaque groupe (clus$centers) et le graphique :
On peut rejoindre les individus au centre de gravité dans chaque groupe avec la commande
segments :
segments(m[clus$cluster == 1, ][ ,1], m[clus$cluster == 1, ][ ,2],

clus$centers[1, 1], clus$centers[1, 2])
segments(m[clus$cluster == 2, ][ ,1], m[clus$cluster == 2, ][ ,2],
clus$centers[2, 1], clus$centers[2, 2], col = 2)
C. Chesneau 54
Cela renvoie :
On peut aussi utiliser clusplot pour la visualisation des groupes :
library(cluster)
clusplot(m, clus$cluster, color = T, shade = T, labels = 2, lines = 0)
Cela renvoie :
C. Chesneau 55
Pour le 2., les commandes R associées sont :
x = c(-2, -2, 0, 2, -2, 3, 2, -1, -1, 2, 3, 0)

clus = kmeans(m, centers=rbind(c(-1, 2), c(1, 1)), algorithm = "Lloyd")
clus$cluster
clus$centers
plot(m, col = clus$cluster, pch = 1, lwd = 3, xlab = "X1", ylab = "X2")
points(clus$centers, col = 1:2, pch = 9, lwd = 3)
On peut aussi utiliser clusplot pour la visualisation des groupes :
library(cluster)
clusplot(m, clus$cluster, color = T, shade = T, labels = 2, lines = 0)
C. Chesneau 56
Cela renvoie :
Présentation du jeu de données iris : Une célèbre jeu de données étudié par le statisticien Fisher
en 1936 est "les iris de Fisher". Pour 3 variétés d’iris : Setosa, Versicolor, Virginica, et pour 150
iris par variété, on considère 4 caractères quantitatifs :
◦ X1 la longueur en cm d’un pétale,
◦ X2 la largeur en cm d’un pétale,
◦ X3 la longueur en cm d’un sépale,
◦ X4 la largeur en cm d’un sépale.
Ce sont les variables explicatives X1 , X2 , X3 et X4 . La variable à expliquer Y est une variable
qualitative dont les modalités sont les espèces d’iris {setosa, versicolor, virginica}.
Voici l’entête du jeu de données "iris" :
Sepal.Length Sepal.Width Petal.Length Petal.Width Species

1 5.10 3.50 1.40 0.20 setosa
2 4.90 3.00 1.40 0.20 setosa
3 4.70 3.20 1.30 0.20 setosa
4 4.60 3.10 1.50 0.20 setosa
5 5.00 3.60 1.40 0.20 setosa
6 5.40 3.90 1.70 0.40 setosa
C. Chesneau 57
Quelques commandes R : Un exemple de commandes R utilisant le jeu de données iris et l’algo-

rithme des centres mobiles est présenté ci-dessous :
dat = iris [ ,1:4]

library(stats)
clus = kmeans(dat, centers = dat[c(15, 135, 65), ], algorithm = "Lloyd")
library(cluster)
clusplot(dat, clus$cluster, color = T, shade = T, labels = 2, lines = 0)
Dans cet exemple, on a donc considéré l’algorithme des centres mobiles avec 3 centres initiaux
qui sont les individus correspondants aux lignes 15, 135 et 65 du jeu de données iris.
Le graphique obtenu est :
Méthodes alternatives : Il existe de nombreuses méthodes autres que celle de Lloyd. Il y a notam-
ment :
◦ la méthode de Forgy : les centres initiaux sont tirés au hasard parmi ceux associés aux individus
de Γ.
C. Chesneau 58
clus = kmeans(dat, 3, algorithm = ”Forgy”)
◦ la méthode de MacQueen : les centres sont recalculés à chaque réaffectation d’un seul individu.
clus = kmeans(dat, 3, algorithm = ”MacQueen”)
◦ la méthode de Hartigan-Wong : c’est la méthode par défaut de la commande kmeans. Elle est
considérée comme la plus robuste de toutes.
clus = kmeans(dat, 3)
Quelques commandes R : Un exemple de commandes R pour utiliser l’algorithme des centres mo-
biles avec la méthode de Hartigan-Wong :
dat = iris [ ,1:4]

clus = kmeans(dat, 3)
library(cluster)
clusplot(dat, clus$cluster, color = T, shade = T, labels = 2, lines = 0)
Le graphique obtenu est :
C. Chesneau 59
Le résultat est identique à celui obtenu avec la méthode de Lloyd ; cela est un hasard.
Alternatives à l’algorithme des centres mobiles : Il existe de nombreuses alternatives à l’algo-

rithme des centres mobiles. Il y a notamment :
◦ la méthode PAM (Partition Around Medoids) : cette méthode a la particularité de marcher

aussi avec un tableau des distances et d’être moins sensible que l’algorithme des centres
mobiles aux individus atypiques.
library(cluster)
clus = pam(dat, 3)
plot(clus)
◦ la méthode CLARA (Clustering LARge Application) :
library(cluster)
clus = clara(dat, 3)
plot(clus)
◦ la méthode FANNY :
library(cluster)
clus = fanny(dat, 3)
plot(clus)
C. Chesneau 60
10 CONSOLIDATION DE L’ALGORITHME DE CAH
10 Consolidation de l’algorithme de CAH
Idée : On peut consolider/améliorer les regroupements obtenus via l’algorithme de CAH en utilisant
l’algorithme des centres mobiles. On prend alors pour centres initiaux les parangons obtenus lors
de la CAH. Il est donc possible que des individus changent de groupes.
Quelques commandes R : Un exemple de code R utilisant la librairie FactoMineR et la commande

consol = T est :
library(FactoMineR)
w = read.table("http://www.math.unicaen.fr/~chesneau/zebu.txt", header = T)
w
attach(w)
acp = PCA(w, ncp = 5, graph = F)
res = HCPC(acp, consol = T)
res$data.clust
En fait, à la base, on dispose du jeu de données zebu avec une classification des individus en deux
groupes. Celle-ci est visible par :
w2 = read.table("http://www.math.unicaen.fr/~chesneau/zebu-g.txt",
header = T)
w2
On constate alors que la classification obtenue avec la CAH consolidée est exacte. Ce n’est pas
le cas sans consolidation :
res2 = HCPC(acp, consol = F)

res2$data.clust
C. Chesneau 61
11 CAH AVEC DES CARACTÈRES QUALITATIFS
11 CAH avec des caractères qualitatifs
Indice de similarité : Soit Γ = {ω1 , . . . , ωn }. On appelle indice de similarité toute application
s : Γ2 → [0, ∞[ telle que, pour tous individus ω et ω∗ dans Γ, on a
◦ s(ω, ω∗ ) = s(ω∗ , ω),
◦ s(ω, ω∗ ) ≤ s(ω, ω),
◦ on a s(ω, ω∗ ) = s(ω, ω) si, et seulement si, ω = ω∗ .
Règle centrale : Plus l’indice de similarité entre deux individus est élevé, plus ils se ressemblent.
Cas des caractères quantitatifs : Quand les caractères X1 , . . . , Xp sont quantitatifs, on peut choi-
sir comme indice de similarité la fonction s telle que
s(ω, ω∗ ) = dmax − d(ω, ω∗ ),
où d désigne une distance et dmax = maxω×ω∗ ∈Γ2 d(ω, ω∗ ).
Tableau disjonctif complet : Dans le cas où les caractères X1 , . . . , Xp sont qualitatifs, on peut
présenter les données sous la forme d’un tableau disjonctif complet (TDC) de dimension n × r,
où r est le nombre total de modalités des p caractères considérés. Pour tout i ∈ {1, . . . , n}, la
i-ème ligne du tableau est constituée du vecteur (n1,i , . . . , nk,i , . . . nr,i ), avec

 1 si i possède la modalité k,
nk,i =
 0 sinon.
Valeurs intermédiaires : Pour tout (u, v) ∈ {1, . . . , n}2 , on pose

◦ le nombre de (1, 1) aux (u, v)-ème lignes du TDC,
◦ le nombre de (0, 0) aux (u, v)-ème lignes du TDC.
C. Chesneau 63
Notons que
au,v + bu,v + cu,v + du,v = r.
Indices de similarité usuels : Les indices de similarité les plus utilisés sont les suivants :
◦ Indice de Russel et Rao :

au,v
s(ωu , ωv ) = .
r
◦ Indice de Jaccard :
au,v au,v
s(ωu , ωv ) = = .
au,v + bu,v + cu,v r − du,v
◦ Indice de Dice :
2au,v
s(ωu , ωv ) = .
2au,v + bu,v + cu,v
◦ Indice de d’Anderberg :
au,v
s(ωu , ωv ) = .
au,v + 2(bu,v + cu,v )
◦ Indice de Rogers et Tanimoto :
au,v + du,v
s(ωu , ωv ) = .
au,v + du,v + 2(bu,v + cu,v )
◦ Indice de Pearson :
au,v du,v − bu,v cu,v

s(ωu , ωv ) = p .
(au,v + bu,v )(au,v + cu,v )(du,v + bu,v )(du,v + cu,v )
◦ Indice de Yule :
au,v du,v − bu,v cu,v
s(ωu , ωv ) = .
au,v du,v + bu,v cu,v
Distances à partir d’un indice de similarité et CAH : À partir d’un indice de similarité s, on
définit une application d∗ : Γ2 → [0, ∞[ par
d∗ (ωu , ωv ) = smax − s(ωu , ωv ),
où smax = s(ωu , ωu ) (= s(ωv , ωv )).
C. Chesneau 64
Cette application est appelée dissimilarité.
On peut alors faire de la CAH avec cette dissimilarité d∗ au lieu de d et l’écart de son choix.
Sur l’indice de Jaccard : Si s est l’indice de Jaccard, alors smax = 1 et on peut prendre la dissimi-
larité :
au,v
d∗ (ωu , ωv ) = 1 − s(ωu , ωv ) = 1 − .
r − du,v
Quelques commandes R : Ci-dessous, des exemples de commandes R illustrant plusieurs dissimi-

larités :
m = matrix(sample(c(0, 1), 100, replace = T), ncol = 10)

m
library(arules)
d = dissimilarity(m, method = "jaccard")
d
d = dissimilarity(m, method = "pearson")
d
Exemple : On interroge 6 individus en leur demandant leur sexe X1 (F : femme, H : homme), leur
type de logement X2 (R : rural, U : urbain) et leur état civil X3 (C : célibataire, M : marié,
A : autre). On obtient :
X1 X2 X3
ω1 H U C
ω2 F U C
ω3 F R M
ω4 F U A
ω5 H R M
ω6 H R A
1. En considérant l’indice de Jaccard, calculer s(ω1 , ω2 ) et s(ω3 , ω6 ).
2. Est-ce que ω1 est plus proche de ω2 , que ω3 de ω6 ?
C. Chesneau 65
Solution :
1. Le TDC associé est
F H R U C M A
ω1 0 1 0 1 1 0 0
ω2 1 0 0 1 1 0 0
ω3 1 0 1 0 0 1 0
ω4 1 0 0 1 0 0 1
ω5 0 1 1 0 0 1 0
ω6 0 1 1 0 0 0 1
On a a1,2 = 2, b1,2 = 1 et c1,2 = 1 (et d1,2 = 3). Donc
a1,2 2
s(ω1 , ω2 ) = = = 0.5.
a1,2 + b1,2 + c1,2 2+1+1
On a a3,6 = 1, b3,6 = 2 et c3,6 = 2 (et d3,6 = 2). Donc
a3,6 1
s(ω3 , ω6 ) = = = 0, 2.
a3,6 + b3,6 + c3,6 1+2+2
2. Comme
s(ω1 , ω2 ) > s(ω3 , ω6 ),
ω1 est plus proche de ω2 que ω3 de ω6 .
On peut aller plus loin en calculant les distances entre tous les individus et faire une CAH.
C. Chesneau 66
Commandes R de l’exemple : Les commandes R ci-dessous renvoient les dissimilarités entre tous
les individus avec l’indice de Jaccard et l’algorithme de CAH est mis en œuvre.
x = c(0, 1, 1, 1, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 1, 1, 1, 0, 1, 0,
0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 0, 1)
m = matrix(x, nrow = 6)
library(arules)
d = dissimilarity(m, method = "jaccard")
d
library(cluster)
ag = agnes(d, method = "ward")
cutree(ag, k = 2)
plot(ag, which = 2, hang = -1)
C. Chesneau 67
"Distance" du Chi-deux : À partir du tableau disjonctif complet, on appelle "distance" du Chi-

deux entre ωu et ωv la distance :
v
u r
uX 1
d(ωu , ωv ) = t (fu,k − fv,k )2 ,
ρk
k=1
où
r n
nu,k X n•,k X
fu,k = , nu,• = nu,k , ρk = , n•,k = ni,k .
nu,• n
k=1 i=1
On peut aussi utiliser cette "distance" pour mettre en œuvre l’algorithme de CAH.
Caractères de natures différentes : Si certains caractères sont qualitatifs et d’autres quantitatifs,

on peut toujours transformer les caractères qualitatifs en quantitatifs en introduisant des classes
de valeurs et en les considérant comme des modalités.
C. Chesneau 68
12 ENJEUX DE LA CLASSIFICATION SUPERVISÉE
12 Enjeux de la classification supervisée
Contexte : On considère une population divisée en q groupes d’individus différents {G1 , . . . , Gq }.

Ces groupes sont distinguables suivant les valeurs de p caractères X1 , . . . , Xp , sans que l’on ait
connaissance des valeurs de X1 , . . . , Xp les distinguant. Soit Y le caractère égal au groupe dans
lequel appartient un individu extrait au hasard dans la population. On dispose de n individus
avec, pour chacun d’entre eux, les valeurs de Y, X1 , . . . , Xp .
Les données sont donc de la forme :
Y X1 ... Xp
ω1 y1 x1,1 ... xp,1

.. .. .. ..
. . . ... .
ωn yn x1,n ... xp,n

où, pour tout (i, j) ∈ {1, . . . , n} × {1, . . . , p}, xj,i = Xj (ωi ) est l’observation du caractère Xj sur
l’individu ωi et yi = Y (ωi ) est le groupe dans lequel appartient ωi .
Objectif : On s’intéresse à un individu ω∗ de la population avec ses valeurs x = (x1 , . . . , xp ) de

X1 , . . . , Xp , sans connaissance de son groupe d’appartenance. Partant des données, l’objectif est
de déterminer à quel groupe l’individu ω∗ a le plus chance d’appartenir. En terme mathématique,
ce groupe inconnu est
G = Argmax P ({Y = g}/{(X1 , . . . , Xp ) = x}) .

g∈{G1 ,...,Gq }
Méthodes : Pour estimer G, plusieurs méthodes sont possibles. Parmi elles, il y a

◦ la méthode des k plus proches voisins (kNN pour K Nearest Neighbors),
◦ le modèle de mélange de densités,
◦ le modèle de régression logistique (pour q = 2),
◦ les arbres de décision,
◦ les réseaux de neurone,
C. Chesneau 69
12 ENJEUX DE LA CLASSIFICATION SUPERVISÉE
◦ le Support Vector Machine,

◦ les forêts aléatoires.
Ce document aborde quelques aspects des trois premiers points.
C. Chesneau 70
13 MÉTHODE DES K PLUS PROCHES VOISINS
13 Méthode des k plus proches voisins
Méthode des k plus proches voisins (kNN pour K Nearest Neighbors) : Soient d une distance
et k ∈ {1, . . . , n}. En utilisant d, on considère l’ensemble Uk des k individus de Γ = {ω1 , . . . , ωn }
les plus proches de ω∗ . Ainsi, pour tout i ∈ Uk et tout j ∈ Γ − Uk , on a
d(ω∗ , ωi ) < d(ω∗ , ωj ).
Par la méthode des k plus proches voisins, une estimation ponctuelle du groupe dans lequel ω∗
a le plus de chances d’appartenir est
X
G
b = Argmax I{yi =g} ,
g∈{G1 ,...,Gq } i∈U
k

 1 si yi = g (c’est-à-dire ωi appartient au groupe g),
où I{yi =g} =
 0 sinon.
Illustration : Une illustration de la méthode des k plus proches voisins avec k = 3 est présentée
ci-dessous :
C. Chesneau 71
Quelques commandes R : Un exemple simple de commandes R est décrit ci-dessous.
On introduits 3 individus A1, A2 et A3 qui vont former un groupe A :
A1 = c(0.1, 0.4)
A2 = c(0.8, 0.9)
A3 = c(3, 3.5)
On introduits 3 individus B1, B2 et B3 qui vont former un groupe B :
B1 = c(5.7, 6.1)
B2 = c(5.5, 6.8)
B3 = c(6.5, 4.9)
On considère la matrice de données correspondante et on spécifie l’appartenance des individus

aux groupes A et B :
train = rbind(A1, A2, A3, B1, B2, B3)

cl = factor(c(rep("A", 3), rep("B", 3)))
On s’intéresse à un nouvel individu ω∗ de caractéristiques X1 = 4.1 et X2 = 3.8 et on trace le

nuage de points :
point = c(4.1, 3.8)

plot(rbind(train, point))
On évalue le groupe dans lequel ω∗ a le plus de chance d’appartenir avec la méthode des k plus
proche voisins avec k = 1 :
library(class)
knn(train, point, cl, k = 1)
Cela renvoie A.
On fait la même chose avec k = 3 :
knn(train, point, cl, k = 3)
Cela renvoie B.
C. Chesneau 72
On se rend compte de ce qui se passe par un graphique :
On considère un autre exemple portant sur des mesures du crane associées aux chiens et aux
loups. L’entête du jeu de données "loups-g.txt" associé est :
LCB LMS LPM LP LM LAM RACE

1 129 64 95 17.50 11.20 13.80 CHIEN
2 154 74 76 20.00 14.20 16.50 CHIEN
3 170 87 71 17.90 12.30 15.90 CHIEN
4 188 94 73 19.50 13.30 14.80 CHIEN
5 161 81 55 17.10 12.10 13.00 CHIEN
6 164 90 58 17.50 12.70 14.70 CHIEN
C. Chesneau 73
On propose les commandes R suivantes :
w = read.table("http://www.math.unicaen.fr/~chesneau/loups-g.txt",
header = T)
attach(w)
w
cl = factor(w[ ,7])
point = c(210, 200, 76, 22, 12, 15)
library(class)
knn(w[ ,1:6], point, cl, k = 3)
Cela renvoie CHIEN. Ainsi, l’individu ω∗ de caractéristiques X1 = 210, X2 = 200, X3 = 76,
X4 = 22, X5 = 12 et X6 = 15 appartient au groupe des chiens.
kNN avec validation croisée : On peut aussi évaluer la qualité de l’algorithme des k plus proches
voisins à l’aide d’une validation croisée. Cela consiste à extraire un petit groupe d’individus du
jeu de données dont on connait parfaitement leur groupe d’affectation et de faire l’algorithme
des k plus proches voisins sur ceux-ci. On peut ainsi voir le nombre de fois où l’algorithme se
trompe.
Un exemple avec le jeu de données iris est présenté ci-dessous :

data(iris)
u = iris[ ,-5]
library(class)
class = as.factor(iris[ ,5])
results = knn.cv(u, class, 1:length(class))
levels(results) = levels(class)
table(results, class)
Cela renvoie :
setosa versicolor virginica

setosa 50 0 0
versicolor 0 47 3
virginica 0 3 47
C. Chesneau 74
On voit alors qu’il y a eut 6 iris qui ont été mal affectés.
Taux d’erreur de classification : Partant de l’algorithme des k plus proches voisins avec validation
croisée, le taux moyen d’erreur de classification, noté t, est donné par le nombre d’individus mal
affectés sur le nombre total d’individus.
Plus t est proche de 0, meilleur est la qualité prédictive du modèle.
On convient que la qualité de la classification est mauvaise lorsque t > 0.5.
Exemple : Sur l’exemple du jeu de données iris, ce taux est bon :
3+3
t= = 0.04.
50 + 47 + 47 + 3 + 3
C. Chesneau 75
14 MODÈLE DE MÉLANGE DE DENSITÉS
14 Modèle de mélange de densités
Hypothèses de gaussianité : On adopte le contexte de la classification supervisée. Le modèle de

mélange de densités (gaussiennes) repose sur l’hypothèse que (X1 , . . . , Xp ) est un vecteur aléatoire
réel de densité :
q
X
f (x, µ, Σ, r) = rk φ(x, µk , Σk ), x = (x1 , . . . , xp ) ∈ Rp ,
k=1
rk = P(Y = Gk ), r = (r1 , . . . , rq ), µ = (µ1 , . . . , µp ) ∈ Rp , Σ = (Σ1 , . . . , Σp ) est un vecteur

de matrices de covariances de dimension p × p et φ(x, µk , Σk ) est la densité associée à la loi
Np (µk , Σk ) :

1 1 t −1
φ(x, µk , Σk ) = p exp − (x − µk ) Σk (x − µk ) , x ∈ Rp .
(2π)p/2 det(Σk ) 2
Les paramètres µ, Σ et p sont inconnus.
Enjeu : Partant des données, on souhaite estimer la probabilité inconnue qu’un individu ω∗ vérifiant
(X1 , . . . , Xp ) = x appartienne au groupe Gk :
pGk (x) = P({Y = Gk }/{(X1 , . . . , Xp ) = x}).
Par la règle de Bayes et les hypothèses de départ, on peut exprimer cette probabilité comme
rk φ(x, µk , Σk )
pGk (x) = .
f (x, µ, Σ, r)
Par conséquent, une estimation des paramètres µ, Σ et p à l’aide des données donne une estimation
de pGk (x) et, a fortiori, une estimation du groupe d’appartenance de ω∗ .
C. Chesneau 77
Estimateurs du maximum de vraisemblance : Pour estimer les paramètres µ, Σ et r à partir des

données, on utilise la méthode du maximum de vraisemblance qui donne les estimateurs µ
b, Σ
b et
rb.
Dans le cas général, il n’y a pas d’expression analytique pour µ

b, Σ
b et rb ; ils peuvent être appro-
chés avec l’algorithme de Newton-Raphson ou l’algorithme EM (Expectation-Maximization) (ou

mieux : l’algorithme Classification EM ou l’algorithme Stochastique EM).
Estimation : Une estimation de pGk (x) avec x = (x1 , . . . , xp ) est
rbk φ(x, µ
bk , Σ
bk)
pbGk (x) = .
f (x, µ
b, Σ,
b rb)
Prédiction du groupe : On appelle prédiction du groupe d’un individu ω∗ vérifiant
(X1 , . . . , Xp ) = x la réalisation de
G
b = Argmax pbg (x).
g∈{G1 ,...,Gq }
Quelques commandes R : Rappel du jeu de données iris : pour 3 variétés d’iris : Setosa, Versicolor,
Virginica, et pour 150 iris par variété, on considère 4 caractères quantitatifs :
◦ X1 la longueur en cm d’un pétale,
◦ X2 la largeur en cm d’un pétale,
◦ X3 la longueur en cm d’un sépale,
◦ X4 la largeur en cm d’un sépale.
Ce sont les variables explicatives X1 , X2 , X3 et X4 . La variable à expliquer Y est une variable
qualitative dont les modalités sont les espèces d’iris {setosa, versicolor, virginica}.
Voici un problème de classification supervisée possible : on dispose d’un iris vérifiant :
X1 = 2.1, X2 = 3, X3 = 2.3, X4 = 4.3.
À l’aide des mesures effectuées, à quelle variété a t’il le plus de chances d’appartenir ?
C. Chesneau 78
Les commandes ci-dessous, dont lda, apportent une réponse en utilisant le modèle de mélange
des densités :
data(iris)
library(MASS)
results = lda(Species ~ ., iris, prior = c(1, 1, 1) / 3)
library(MASS)
newiris = data.frame(Sepal.Length = 2.3, Sepal.Width = 4.3,
Petal.Length = 2.1, Petal.Width = 3)
plda = predict(results, newiris)
plda
Cela renvoie Virginica avec une probabilité de 0.9980522. On est donc presque sûr que l’iris
observé est de l’espèce Virginica.
Validation croisée : On peut aussi évaluer la qualité du modèle de mélange de densités à l’aide d’une
validation croisée. Cela consiste à extraire un petit groupe d’individus du jeu de données dont
on connait parfaitement leur groupe d’affectation et les tester avec le modèle de mélange des
densités. On peut ainsi voir le nombre de fois où l’algorithme se trompe.
Un exemple avec le jeu de données iris et la commande lda est présenté ci-dessous :
data(iris)
library(MASS)
results = lda(Species ~ ., iris, prior = c(1, 1, 1) / 3, CV = T)
table(iris$Species, results$class)
Cela renvoie :
setosa versicolor virginica

setosa 50 0 0
versicolor 0 48 2
virginica 0 1 49
On voit alors qu’il y a eut 3 iris qui ont été mal affectés.
C. Chesneau 79
Taux d’erreur de classification : Partant du modèle de mélange de densités, le taux moyen d’erreur
de classification, noté t, est donné par le nombre d’individus mal affectés sur le nombre total
d’individus.
Exemple : Sur l’exemple du jeu de données iris, ce taux est :
1+2
t= = 0.02.
50 + 48 + 49 + 1 + 2
Cela est très correct.
C. Chesneau 80
15 RÉGRESSION LOGISTIQUE
15 Régression logistique
Enjeu : On suppose que la population est divisée en q = 2 groupes : G1 et G2 et on adopte le contexte

de la classification supervisée. Partant des données, on souhaite estimer la probabilité inconnue
qu’un individu ω∗ vérifiant (X1 , . . . , Xp ) = x appartienne au groupe G1 :
p(x) = P({Y = G1 }|{(X1 , . . . , Xp ) = x}).
Si p(x) ≥ 0.5, alors ω∗ a plus de chances d’appartenir à G1 qu’à G2 .
Transformation logit : On appelle transformation logit la fonction :

y
logit(y) = log ∈ R, y ∈]0, 1[.
1−y
Son inverse est la fonction :
exp(y)
logit −1 (y) = ∈]0, 1[, y ∈ R.
1 + exp(y)
Régression logistique : On appelle régression logistique la modélisation :
logit(p(x)) = β0 + β1 x1 + . . . + βp xp ,
où β0 , . . . , βp désigne p + 1 réels inconnus.
Ainsi, p(x) et β0 + β1 x1 + . . . + βp xp sont liés par la transformation logit ; on parle de lien logit.
On en déduit l’expression de p(x) :
exp(β0 + β1 x1 + . . . + βp xp )
p(x) = logit −1 (β0 + β1 x1 + . . . + βp xp ) = ,
1 + exp(β0 + β1 x1 + . . . + βp xp )
C. Chesneau 81
Estimateurs du maximum de vraisemblance : Notre objectif est d’estimer les coefficients incon-
nus β0 , . . . , βp à partir des données. Pour ce faire, on utilise la méthode du maximum de vrai-
semblance qui donne les estimateurs βb0 , . . . , βbp .
Dans le cas général, il n’y a pas d’expression analytique pour βb0 , . . . , βbp ; ils peuvent être approchés
avec l’algorithme de Newton-Raphson.
Estimation : Une estimation de p(x) avec x = (x1 , . . . , xp ) est
exp(βb0 + βb1 x1 + . . . + βbp xp )

pb(x) = logit −1 (βb0 + βb1 x1 + . . . + βbp xp ) = .
1 + exp(βb0 + βb1 x1 + . . . + βbp xp )
Prédiction du groupe : On appelle prédiction du groupe d’un individu ω∗ vérifiant
(X1 , . . . , Xp ) = x la réalisation de

 G1 si pb(x) ≥ 0.5,

G
b=
 G2 sinon.

Quelques commandes R : On considère le jeu de données "puits" dont voici l’entête :
Y X1 X2
1 2.36 16.83
1 0.71 47.32
0 2.07 20.97
1 1.15 21.49
1 1.10 40.87
1 3.90 69.52
C. Chesneau 82
Un exemple de commandes R associées est donné ci-dessous :
w = read.table("http://www.math.unicaen.fr/~chesneau/puits.txt", header = T)
attach(w)
w
library(stats)
reg = glm(Y ~ X1 + X2, family = binomial)
pred.prob = predict.glm(reg, data.frame(X1 = 1, X2 = 60), type = "response")
pred.mod = factor(ifelse(pred.prob > 0.5, "G1", "G2"))
pred.mod
Cela renvoie G2.
Taux d’erreur de classification : Partant du modèle de régression logistique, le taux moyen d’er-
reur de classification noté t est donné par le nombre d’individus mal affectés sur le nombre total
d’individus.
Quelques commandes R : Un exemple de commandes R associées est donné ci-dessous :
pred.prob = predict(reg, type = "response")

pred.mod = factor(ifelse(pred.prob > 0.5, "G1", "G2"))
mc = table(Y, pred.mod)
t = (mc[1, 2] + mc[2, 1]) / sum(mc)
t
Cela renvoie t = 0.1364238, ce qui est très faible.
Plus d’éléments seront donnés en Master 2. Voir, par exemple, les documents :
http://www.math.unicaen.fr/~chesneau/Reg-M2.pdf
http://www.math.unicaen.fr/~chesneau/etudes-reg.pdf
C. Chesneau 83
Index
hclust, 24 Indice de silhouette, 42

FactoMineR, 45, 48 Inertie inter-classes, 34
HCPC, 45 Inertie intra-classes, 34
agnes, 25, 67 Inertie totale, 33
kmeans, 58
k means, 49
lda, 79
kNN, 71
silhouette, 43
Largeur de silhouette, 43
ACP et CAH, 45
Matrice de données, 11
CAH, 23
Modèle de mélange de densités, 77
CAH caractères qualitatifs, 63
Méthode de Forgy, 58
Classification non-supervisée, 5
Méthode de Hartigan-Wong, 59
Classification supervisée, 6, 69
Méthode de la distance moyenne, 19
Coefficient d’agglomération, 41
Méthode de MacQueen, 59
Consolidation CAH, 61
Méthode de Ward, 20, 33
Méthode du plus proche voisin, 19
Dendrogramme, 25
Méthode du voisin le plus éloigné, 19
Distance du Chi-deux, 68
Distance entre 2 individus, 17 PAM, 60
Distance euclidienne, 16 Parangons, 47
Distances, 16
Ressemblance, 11
Décomposition de Huygens, 34
Régression logistique, 81
Ecart de Ward, 20
Tableau des écarts, 20
Ecarts, 18
Tableau disjonctif complet, 63
Indice de Dice, 64 Taux d’erreur de classification, 75, 80, 83
Indice de Jaccard, 64, 65 Transformation Logit, 81
85

Classif Cours

Transféré par

Droits d'auteur :

Formats disponibles

Classif Cours

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Classif Cours

Transféré par

Droits d'auteur :

Formats disponibles

Université de Caen

Caen, le 28 Août 2016

Table des matières

2 Enjeux de la classification non-supervisée 9

4 Algorithme de Classification Ascendante Hiérarchique (CAH) 23

5 CAH et méthode de Ward ; compléments 33

6 Qualité d’une partition 41

8 Caractérisation des groupes 47

9 Algorithme des centres mobiles (k means) 49

10 Consolidation de l’algorithme de CAH 61

11 CAH avec des caractères qualitatifs 63

12 Enjeux de la classification supervisée 69

13 Méthode des k plus proches voisins 71

14 Modèle de mélange de densités 77

On présente ici les enjeux de la classification non-supervisée et de la classification supervisée.

1.1 Classification non-supervisée

Maths Physique Ed Mus Art Plas

En comparant les notes par matière, on propose :

◦ Groupe 1 : Boris, Stéphanie et Lilly,

◦ Groupe 2 : Mohammad, Jean et Annabelle.

Applications : Quelques exemples d’applications de la classification non-supervisée sont présentés

◦ Application 3 : En chimie, on veut classer des composés selon leurs propriétés.

◦ Application 4 : Dans l’industrie, on veut

1.2 Classification supervisée

◦ d’un individu ω∗ de la population avec ses valeurs de X1 , . . . , Xp , sans connaissance de son

On peut écrire cette probabilité comme :

P(Bob ∈ G1/(9, 15, 13, 11)).

Applications : Quelques exemples d’applications de la classification supervisée sont présentés ci-

◦ Application 3 : Étant donné un ensemble de symptômes, un médecin doit poser un diagnostic.

◦ Application 4 : Dans l’industrie, on veut

1.3 Les métiers

Il y a de nombreux métiers où la classification est utilisée dont

2 Enjeux de la classification non-supervisée

Contexte : On considère n individus Γ = {ω1 , . . . , ωn } extraits au hasard d’une population. Pour

Les données sont donc de la forme :

ω1 x1,1 ... xp,1

ωn x1,n ... xp,n

3.1 Nuage de points

Matrice de données : On appelle matrice de données associées à Γ la matrice X définie par

Exemple 1 : On considère la matrice de données X associée à 5 individus, Γ = {ω1 , . . . , ω5 }, définie

Implicitement, on considère donc 2 caractères X1 et X2 . Par exemple, l’individu ω2 a pour

Le nuage de point associé est :

La problématique est la suivante : comment regrouper ces individus en 2 ou 3 groupes, par

Visuellement, en fonction des zones denses, on peut envisager

◦ les 2 groupes suivants :

◦ les 3 groupes suivants :

Exemple 2 : On considère un tableau de notes de 6 élèves :

Maths Physique Ed Mus Art Plas

La matrice de données X associée est

La problématique est la suivante : comment regrouper ces individus en 2 ou 3 groupes, par

La représentation graphique dans R2 n’est donc pas possible.

Visuellement, en fonction des zones denses, on peut envisager

◦ les 2 groupes suivants :

◦ les 3 groupes suivants :

d(x, y) ≤ d(x, z) + d(z, y).

Exemple 1 : distance euclidienne : Soient m ∈ N∗ , x = (x1 , . . . , xm ) ∈ Rm et

y = (y1 , . . . , ym ) ∈ Rm . On appelle distance euclidienne entre x et y la distance :

Exemple 2 : distance de Manhattan : Soient m ∈ N∗ , x = (x1 , . . . , xm ) ∈ Rm et

y = (y1 , . . . , ym ) ∈ Rm . On appelle distance de Manhattan entre x et y la distance :