Sur la CAH, nous avons vu que l’on a deux degrés de liberté, fondamentaux pour l’analyse
- le choix de la distance (min, max, euclidienne, minkowski…)
- le choix de la méthode de regroupement, ou d’agrégation (ward, single, complete…)
Ces deux degrés de libertés sont les deux paramètres qu’il convient de sélectionner lors de l’analyse,
Sinon pour les kmeans, il y a un peu moins de choix,
En cours, j’ai insisté sur l’idée de l’algorithme, plus que sur les critères de classification. Tous sont basés sur W, la matrice d’inertie intra-classe commune (pooled SSPC matrix)
- Minimiser la trace de W pour un nombre de classes donné, revient à minimiser la variance intra-classe totale, c’est à dire minimiser l’hétérogénéité des groupes.
- L’utilisation du déterminant de W permet de construire un critère nettement moins sensible aux effets d’échelle.
- Le critère du lambda de Wilks correspond à la division du déterminant(W) par le déterminant(T) où T est la matrice d’inertie totale: aussi, la division par le déterminant de T permet d’avoir un critère toujours compris entre 0 et 1. Mais sinon les résultats donnés par la minimisation de ce critère sont identiques à ceux donnés par le déterminant de W.
- enfin le dernier critère est plus long (mais plus robuste) car au lieu d’utiliser le barycentre d’une classe (i.e. la moyenne) on utilise un point médian.