Classification (Cluster Analysis)

Ensemble de techniques statistiques qui ont le but de détecter des groupes d'objets avec deux caractéristiques complémentaires:

A - l'homogénéité interne la plus élevée (à l'intérieur de chaque classe);

B - l'hétérogénéité externe la plus élevée (parmi les différentes classes).

Dans le langage de la statistique, ces caractéristiques correspondent respectivement à la variance interne (within cluster variance) et à celle externe (between cluster variance).

En général, il y a deux genres de classification:

• méthodes hiérarchiques, dont les algorithmes reconstruisent la hiérarchie entière des objets sous l'analyse (le soi-disant "arbre"), soit dans un ordre ascendant (CAH) soit dans un ordre descendant (CDH);

• méthodes de division, où l'utilisateur définit précédemment les nombres de classe dans lesquels l'ensemble des objets doit être partitionné.

Dans T-LAB des algorithmes des deux types sont utilisés.

En particulier:

• la fonction Analyse des Mots Associés utilise une méthode hiérarchique;
• la fonction Cluster Analysis permet d'utiliser trois méthodes différentes: deux hiérarchiques et une à partitions;
• les fonctions Analyse Thématique des Contextes Élémentaires et Classification Thématique des Documents utilisent un algorithme du type bisecting K-means.

Certaines publications citées dans la Bibliographie permettent d'approfondir aussi bien les aspects généraux des diverses méthodes (Bolasco S., 1999; Lebart L., A. Morineau, M. Piron, 1995), que les aspects spécifiques concernant Hdbscan (Campello R. J. G. B., Moulavi D., Zimek A. & Sander J. , 2015) et la méthode bisecting K-means (Steinbach, M., G. Karypis, V. Kumar, 2000; Savaresi S.M., D.L. Boley, 2001).