Introduction

La classification (clustering) est une méthode mathématique d’analyse de données qui permet de prédire des classes de données : pour faciliter l’étude d’une population d’effectif important (animaux, plantes, malades, gènes, etc.), on les partitionne en plusieurs classes ou clusters (non définis à l'avance) de telle sorte que les individus d’une même classe soient les plus similaires possible et que les classes soient les plus distinctes possibles.
Les algorithmes de clustering dépendent donc fortement de la façon dont on définit cette notion de similarité, qui est souvent spécifique au domaine d'application.

En général, nous pouvons parler de classification automatique si aucune information n’est disponible concernant l’appartenance de certaines données à certaines classes connues a priori.
Par ailleurs, le nombre de groupes recherchés peut être connu a priori ou non.

Il y a diverses façons de procéder qui peuvent conduire à des résultats différents. Dans ce cours nous présentons trois algorithmes : un premier appelé k-means (méthode des centres mobiles), un deuxième appelé classification hiérarchique ascendante et un troisième appelé DBSCAN.

Ces données ou individus seront représentés par des points. En effet, on peut représenter chaque individu par une liste de caractéristiques dans un espace donné nous permet d'obtenir des vecteurs. Pour certains algorithmes, il peut être utile d'avoir des données labellisées, c'est à dire déjà classifiées, pour entraîner l'algorithme. Ces données (petits échantillons généralement) sont généralement classifiées par des humains, et l'algorithme tentera de reproduire ces décisions.

Les algorithmes de clustering :