Classification ascendante hiérarchique (CAH) - FactoMineR

IntroductionPrincip esde la CAH Exemple K-means Compléme ntsDescription des classes
Classification ascendante hiérarchique (CAH)
François Husson
Laboratoire de mathématiques appliquées - Agrocampus Rennes
husson@agrocampus-ouest.fr
1/40
IntroductionPrincip esde la CAH Exemple K-means Compléme ntsDescription des classes
Classification ascendante hiérarchique (CAH)1Introduction
2Principes de la Classification Ascendante Hiérarchique
3Exemple
4Les K-means : un algorithme de partitionnement
5Compléments

Consolidation de partition

Classification sur des données de grandes dimensions

Variables qualitatives et classification

Enchaînement analyse factorielle - classification6Caractérisation de classes d"individus
1/40
IntroductionPrincip esde la CAH Exemple K-means Compléme ntsDescription des classes
Classification ascendante hiérarchique (CAH)1Introduction
2Principes de la Classification Ascendante Hiérarchique
3Exemple
4Algorithme de partitionnement : les K-means
5Compléments
6Caractérisation des classes d"individus
2/40
IntroductionPrincip esde la CAH Exemple K-means Compléme ntsDescription des classes
Introduction

Définitions :

Classification : action de constituer ou construire des classes

Classe : ensemble d"individus (ou d"objets) possédant des traits
de caractères communs (groupe, catégorie)

Exemples

de classification : règne animal, disque dur d"un ordinateur,
division géographique de la France, etc.

de classe : classe sociale, classe politique, etc.

Deux types de classification :

hiérarchique : arbre, CAH

méthode de partitionnement : partition
3/40
IntroductionPrincip esde la CAH Exemple K-means Compléme ntsDescription des classes
Exemple de hiérarchie : le règne animal
4/40
IntroductionPrincip esde la CAH Exemple K-means Compléme ntsDescription des classes
Classification ascendante hiérarchique (CAH)1Introduction
2Principes de la Classification Ascendante Hiérarchique
3Exemple
4Algorithme de partitionnement : les K-means
5Compléments
6Caractérisation des classes d"individus
5/40
IntroductionPrincip esde la CAH Exemple K-means Compléme ntsDescription des classes
Quelles données pour quels objectifs?
La classification s"intéresse à des tableaux de
données individus×variables quantitatives



Eléments de classification - CEL - Cours en ligne K-means. Compléments. Description des classes. Classification ascendante hiérarchique (CAH). 1 Introduction. 2 Principes de la Classification Ascendante 
Data Mining - Clustering 9 Algorithme des centres mobiles (k means). 49. 10 Consolidation de l'exercice?, à savoir : sj : l'écart-type corrigé des valeurs du caractère Xj,. ? le zobs :.
Regroupement (clustering) 9 Algorithme des centres mobiles (k means). 49. 10 Consolidation de 16 Exercices. 85 sj : l'écart-type corrigé des valeurs du caractère Xj,. ? le zobs,(j,g) :.
Tutorial exercises Clustering ? K-means, Nearest Neighbor and Corrigé. Exercice 1 (03 points) : a/ Expliquez le principe d'une classification KMeans. (1.5 points). Exercice 2 (07 points) : Le tableau suivant contient des 
Algorithme K-Moyennes Clustering ? K-means, Nearest Neighbor and Hierarchical. Exercise 1. K-means clustering. Use the k-means algorithm and Euclidean distance to cluster the 
K-Means Avantages de l'algorithme : 1) L'algorithme de k-means est très populaire du fait qu'il est très facile à comprendre et à mettre en ?uvre. 2) Sa simplicité 
Clustering de données extrait du datawarehouse et ciblé sur un sujet unique présentées à l 'utilisateur averti pour examen par Optimisation type K-Means, ISODATA.
Application de k-means - Dspace classification non supervisée dont le plus simple est l'algorithme de k-means. Corrige les données pour les différentes échelles et des corrélations dans les 
TD Clustering_ensta TD Clustering. ENSTA ParisTech INT-22. Exercice 1 : K-means. Utilisez l'?algorithme du k-means et la distance euclidienne pour regrouper les 8 exemples? 
Méthode des K-means - Université Lumière Lyon 2 Algorithme K-Means ? Méthode des centres mobiles. 3. Cas des variables actives qualitatives. 4. Fuzzy C-Means. 5. Classification de variables. 6. Conclusion.
Data-Mining Corrigé Examen 2002/2003 1 Clustering (13 points) Corrigé Examen 2002/2003. 4eme année. 1 Clustering (13 points). X 1 2 9 12 20. 1. (7 points) K-Means. (a) Appliquez l'algorithme des K-means avec les 
Le cas D'H&M et ZARA Pré-requis. Aucun. Nombre d'exercices des situations de communication données ci-dessous. 3- Deux copines de 15 ans découvrent un nouveau magasin de vêtements qui vient d'ouvrir ses portes dans Une fois sorties du magasin, elles échangent ces