Master 1 - Abidjan 2025 Madison Giacofci
TP no 1 - Classification
Méthodes hiérarchiques et centres mobiles
1 Distances, similarités et dissimilarités
Dans les fonctions R de bases, la fonction adaptée au calcul de matrice de distances (ou dissimilarités)
à partir d’un jeu de données est la fonction dist().
1. En utilisant l’aide de R, identifier les différentes dissimilarités pouvant être calculées à l’aide de
la fonction dist.
1.1 Données binaires
Le jeu de données [Link] reprend le jeu de données vu en exercice où Esteban,
Robin, Chloé, Margaux, Antonin et Arthur sont malades et où plusieurs variables relatives à leur
maladie sont mesurées.
2. Quel type de dissimilarité vous semblerait adaptée pour ce type de données ?
3. Programmer sur R les fonctions qui calculent les dissimilarités pour de Sokal & Michener, de
Rogers & Tanimoto, de Sokal & Sneath, de Jaccard et de Dice.
4. Calculer les matrices de dissimilarités associées aux dissimilarités précedemment citées.
5. Préciser pour chaque dissimilarité quels sont les individus les plus proches.
1.2 Données qualitatives
De la même manière, la distance du χ2 entre profils-lignes n’est pas proposée dans la fonction dist
et nous allons la programmer. Nous nous intéressons pour cela au jeu de données [Link]
concernant des patientes atteintes de cancer du sein. Plusieurs variables génériques sur les patientes
sont données (âge, statut ménopause) ainsi que des variables liées à la maladie (taille de la tumeur,
nombres de noeuds lymphatiques metastasés, capsule lymphatique metastasée, degré de malinité, sein
affecté, quart affecté, irradiation).
4. Pour l’ensemble du jeu de donnees, construire le tableau disjonctif complet associée à l’ensemble
des variables (on pourra utiliser la fonction [Link] du package ade4 ou la fonction
[Link] du package FactoMineR).
5. Créer une fonction permettant de calculer la distance du χ2 entre deux individus à partir du
tableau disjonctif complet.
6. Quel est le lien avec la fonction [Link] du package ade4 ?
1.3 Données quantitatives
Enfin, un dernier type de distance utile mais moins conventionnel : la distance issue de la corrélation.
7. Rappeler son intérêt en tant que mesure de distance.
8. On considère le jeu de données loup_chien.dat contenant des mesures pour 30 crânes de chiens
domestiques de haute taille et 12 crânes de loups. Sur ces crânes, on a mesuré la longueur de la
carnassière supérieure, la longueur et la largeur de la première molaire supérieure (respective-
ment notées LoC, LoM et LaM). Calculer la matrice de distance pour les données loup_chien
pour la méthode des corrélations. On se servira des fonctions cor et [Link].
1
2 Classification automatique
2.1 Données Iris
On s’intéresse dans un premier temps à un jeu de données test appelé iris (que l’on peut charger à l’aide
de la commande data(iris). Ce jeu de données concerne l’étude de fleurs pour lesquelles on dispose
des variables [Link], [Link], [Link] et [Link], mesurant respectivement
les longueur et largeur des sépales et les longueur et largeur des pétales. La variable Species est la
variable d’appartenance à une espèce. On souhaite savoir si la classification nous permet de retrouver
la partition induite par la variable Species.
Classification ascendante hiérarchique
1. Réalisez une première analyse des données. Vous semble-t-il nécessaire de procéder à une stan-
dardisation des données ? Vous justifierez votre réponse.
2. La fonction hclust permet de réaliser une CAH à partir d’une matrice de distance et pour
plusieurs critères d’agrégation. Effectuer la classification hiérarchique des données iris en uti-
lisant la distance euclidienne et le critère de Ward. Analyser les sorties du logiciel et tracer le
dendrogramme correspondant (fonction plot appliquée à l’objet issu de hclust).
3. Tracer la courbe de perte de l’inertie inter-classes. Combien de groupes choisiriez-vous ? Afficher
les groupes avec la fonction cutree.
4. Faire apparaître les groupes sur le dendrogramme à l’aide de la fonction cutree.
5. Comparer la classification obtenue avec la variable Species. Commentez les résultats obtenus.
6. Représentez les résultats à l’aide de la fonction clusplot du package cluster. À quoi correspond
cette représentation ?
Agrégation autour de centres mobiles
1. La fonction kmeans donne le résultat de l’algorithme d’agrégation autour des centres mobiles.
En utilisant l’aide de la fonction, étudiez les principaux paramètres nécessaires à son utilisation.
2. Effectuer la partition des données iris en 3 groupes. Analyser les sorties de la fonction et
représenter les résultats à l’aide de graphiques appropriés.
3. Relancer plusieurs fois la procédure. Que constatez-vous ?
4. Programmer une fonction permettant de faire tourner l’algorithme avec 50 différentes initiali-
sations et de retenir celle conduisant à la meilleure inertie intra-classes.
2.2 Données loup/chien
1. Faire les représentations graphiques des variables deux à deux. Par la suite, pour les représen-
tations graphiques, on représentera LoC en fonction de LoM et LaM en fonction de LoM.
2. Effectuer la CAH avec les méthodes du saut maximal et de Ward sur le jeu de données privé de
l’individu pour lequel l’espèce est inconnue. Combien de classes choisirait-on ?
3. Représenter les résultats de la classification. Ajouter l’individu "inconnu". D’après vous, quelle
pourrait être son espèce ?
4. Faire de même pour la méthode des k-means. Faire tourner l’algorithme plusieurs fois pour
différents nombres de classes. Commentez vos résultats.
2
2.3 Données Citycrime
Le jeu de données [Link] contient le nombre de crime pour 100000 habitants suivant leur type
dans 16 villes américaines. Appliquer les différentes méthodes de classification comme pour les appli-
cations précédentes. On justifiera soigneusement les choix faits pour chacune d’entre elles. Interprétez
les résultats obtenus.
2.4 Données de cancer du sein
On reprend à présent le jeu de données [Link] concernant des patientes atteintes de cancer
du sein.
1. En reprenant la matrice de distance calculée dans la première partie du TP, effectuer le parti-
tionnement des individus en classe.
2. Analyser les résultats obtenus en utilisant des projections factorielles. On rappelle que pour le
cas de données qualitatives, la technique adaptée pour le calcul des projections factorielles est
l’AFCM. On pourra utiliser les fonctions [Link] (ade4) ou MCA (FactoMineR).
3. Analyser les résultats obtenus variable par variable. On pourra utiliser des tables de fréquences,
des tests du χ2 ou les fonctions du package FactoMineR.