Regroupement hiérarchique

Dans le domaine de l'analyse et de la classification automatique de données, la notion de regroupement hiérarchique recouvre différentes méthodes de partitionnement de données ou clustering, et se catégorise en deux grandes familles : les méthodes « ascendantes » et les méthodes « descendantes ».

Classification descendante hiérarchique

Les méthodes dites « descendantes » partent d’une solution générale vers une autre plus spécifique. Les méthodes de cette catégorie démarrent avec une seule classe contenant la totalité puis se divisent à chaque étape selon un critère jusqu’à l’obtention d’un ensemble de classes différentes.

Classification ascendante hiérarchique (CAH)

À l'inverse des méthodes dites « descendantes », la classification ascendante hiérarchique [1] est dite « ascendante » part d'une situation où tous les individus sont seuls dans une classe, puis sont rassemblés en classes de plus en plus grandes. Le qualificatif « hiérarchique » vient du fait qu'elle produit une hiérarchie H, l'ensemble des classes à toutes les étapes de l'algorithme, qui vérifie les propriétés suivantes :

$\Omega \in H$ : au sommet de la hiérarchie, lorsqu'on groupe de manière à obtenir une seule classe, tous les individus sont regroupés ;
$\forall \omega \in \Omega ,\{\omega \}\in H$ : en bas de la hiérarchie, tous les individus $\omega$ se trouvent seuls ;
$\forall (h,h')\in H^{2},h\cap h'=\emptyset$ ou $h\subset h'$ ou $h'\subset h$ : si l’on considère deux classes du regroupement, alors soit elles n'ont pas d’individu en commun, soit l'une est incluse dans l’autre.

C'est une méthode de classification automatique utilisée en analyse des données ; à partir d'un ensemble $\Omega$ de n individus, son but est de répartir ces individus dans un certain nombre de classes.

La méthode suppose qu'on dispose d'une mesure de dissimilarité entre les individus ; dans le cas de points situés dans un espace euclidien, on peut utiliser la distance comme mesure de dissimilarité. La dissimilarité entre des individus x et y sera notée $dissim(x,y)$ .

Principe

Initialement, chaque individu forme une classe, soit n classes. On cherche à réduire le nombre de classes à $nb_{classes}<n$ , ce qui se fait itérativement. À chaque étape, on fusionne deux classes, réduisant ainsi le nombre de classes. Les deux classes choisies pour être fusionnées sont celles qui sont les plus « proches », en d'autres termes, celles dont la dissimilarité entre elles est minimale, cette valeur de dissimilarité est appelée indice d'agrégation. Comme on rassemble d'abord les individus les plus proches, la première itération a un indice d'agrégation faible, mais celui-ci va croître d'itération en itération.

Mesure de dissimilarité inter-classe

La dissimilarité de deux classes $C_{1}=\{x\},C_{2}=\{y\}$ contenant chacune un individu se définit simplement par la dissimilarité entre ses individus. $dissim(C_{1},C_{2})=dissim(x,y)$

Lorsque les classes ont plusieurs individus, il existe de multiples critères qui permettent de calculer la dissimilarité. Les plus simples sont les suivants :

Le saut minimum retient le minimum des distances entre individus de $C_{1}$ et $C_{2}$ : $dissim(C_{1},C_{2})=\min _{x\in C_{1},y\in C_{2}}(dissim(x,y))$ ;
Le saut maximum est la dissimilarité entre les individus de $C_{1}$ et $C_{2}$ les plus éloignés : $dissim(C_{1},C_{2})=\max _{x\in C_{1},y\in C_{2}}(dissim(x,y))$ ;
Le lien moyen consiste à calculer la moyenne des distances entre les individus de $C_{1}$ et $C_{2}$ : $dissim(C_{1},C_{2})=moyenne_{x\in C_{1},y\in C_{2}}(dissim(x,y))$ ;
La distance de Ward vise à maximiser l'inertie inter-classe : $dissim(C_{1},C_{2})={\frac {n_{1}*n_{2}}{n_{1}+n_{2}}}dissim(G_{1},G_{2})$ avec $n_{1}$ et $n_{2}$ les effectifs des deux classes, $G_{1}$ et $G_{2}$ leurs centres de gravité respectifs.

Implémentation en pseudo-code

Entrées :

individus : liste d'individus
nbClasses : nombre de classes que l'on veut finalement obtenir

Sortie :

classes : liste de classes initialement vide, une classe est vue comme une liste d'individus

Pour i=1 à individus.longueur Faire
    classes.ajouter(nouvelle classe(individu[i]));
Fin Pour
Tant Que classes.longueur > nbClasses Faire
    // Calcul des dissimilarités entre classes dans une matrice triangulaire supérieure
    matDissim = nouvelle matrice(classes.longueur,classes.longueur);
    Pour i=1 à classes.longueur Faire
        Pour j=i+1 à classes.longueur Faire
            matDissim[i][j] = dissim(classes[i],classes[j]);
       Fin Pour
    Fin Pour
    // Recherche du minimum des dissimilarités
    Soit (i,j) tel que matDissim[i][j] = min(matDissim[k][l]) avec 1<=k<=classes.longueur et k+1<=l<=classes.longueur;
    // Fusion de classes[i] et classes[j]
    Pour tout element dans classes[j] Faire
        classes[i].ajouter(element);
    Fin pour
    supprimer(classes[j]);
Fin Tant Que

Dendrogramme

Exemple de dendrogramme.

Un dendrogramme est la représentation graphique d'une classification ascendante hiérarchique. Il se présente souvent comme un arbre binaire dont les feuilles sont les individus alignés sur l'axe des abscisses. Lorsque deux classes ou deux individus se rejoignent avec l'indice d'agrégation $\tau$ , des traits verticaux sont dessinés de l'abscisse des deux classes jusqu'à l'ordonnée $\tau$ , puis ils sont reliés par un segment horizontal. À partir d'un indice d'agrégation $\tau$ , on peut tracer une droite d'ordonnée $\tau$ qui permet de voir une classification sur le dendrogramme.

Des versions plus complexes d'arbre de classification peuvent éventuellement aider à construire un arbre de décision.

Notes et références

(en) Gabor J. Székely et Maria L. Rizzo, « Hierarchical clustering via Joint Between-Within Distances: Extending Ward's Minimum Variance Method. », Journal of Classification, vol. 22, n^o 2,‎ septembre 2005, p. 151-183 (DOI 10.1007/s00357-005-0012-9)

Voir aussi

Bibliographie

Thèse « Contextualisation, visualisation et évaluation en apprentissage non supervisé » de Laurent Candillier (Université de Lille 3), 2006/09/15, PDF, 250 pages.

Articles connexes

Liens externes

A visual expedition inside the Linux file systems : étude des similarités entre les systèmes de fichiers implémentés dans Linux, et exemple de classification ascendante hiérarchique

Portail des probabilités et de la statistique
Portail de l’informatique

Cet article est issu de Wikipedia. Le texte est sous licence Creative Commons - Attribution - Partage dans les Mêmes. Des conditions supplémentaires peuvent s'appliquer aux fichiers multimédias.

[1] (en) Gabor J. Székely et Maria L. Rizzo, « Hierarchical clustering via Joint Between-Within Distances: Extending Ward's Minimum Variance Method. », Journal of Classification, vol. 22, n^o 2,‎ septembre 2005, p. 151-183 (DOI 10.1007/s00357-005-0012-9)