T-LAB Home
T-LAB PLUS 2019 - AIDE EN LIGNE Prev Page Prev Page
T-LAB
Introduction
Ce que T-LAB fait et ce qu' il vous permet de faire
Conditions requises et performances
Préparation du Corpus
Préparation du Corpus
Critères Structuraux
Critères Formels
Fichier
Importer un unique fichier...
Préparer un Corpus (Corpus Builder)
Ouvrir un Project Existant
Configurations d'Analyse
Configurations Automatiques Personalisées
Personnalisation du Dictionnaire
Analyse des Co-occurrences
Associations de Mots
Analyse des Mots Associés et Cartes Conceptuelles
Comparaisons entre paires de Mots-Clés
Analyse des Séquences et Analyse des Réseaux
Concordances
Analyse Thématiques
Analyse Thématique des Contextes Élémentaires
Modélisation des Thèmes Émergents
Classification Thématique des Documents
Classification Basée sur ded Dictionnaires
Contextes Clé de Mots Thématiques
Analyses Comparatives
Analyse des Spécificités
Analyse des Correspondances
Analyse des Correspondances Multiples
Classification (Cluster Analysis)
Décomposition en Valeurs Singulières
Outils Lexique
Text Screening / Désambiguïsations
Vocabulaire du Corpus
Liste de Mots vides
Listes de Locutions
Segmentation de Mots
Autres Outils
Variable Manager
Recherche Avancée dans le Corpus
Tableaux de Contingences
Editeur
Glossaire
Analyse des Correspondances
Chaînes de Markov
Chi-Deux
Classification (Cluster Analysis)
Codage
Contextes élémentaires
Corpus et Sous-ensembles
Désambiguïsation
Document Primaire
Graph Maker
Homographes
IDnumber
Index d'Association
Isotopie
Lemmatisation
Lexie et Lexicalization
MDS
Mots-Clés
Mots et Lemmes
Multiwords
N-grammes
Naïve Bayes
Normalisation
Noyaux Thématiques
Occurrences et Cooccurrences
Polarités Factorielles
Profil
Seuil de Fréquence
Spécificités
Stop Word List
Tableaux de Données
Unité d'Analyse
Unité de Contexte
Unité Lexicale
TF-IDF
Valeur-Test
Variables et Modalités
Bibliographie

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:

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 les cartes de Kohonen (Kohonen T., 1989) et la méthode bisecting K-means (Steinbach, M., G. Karypis, V. Kumar, 2000; Savaresi S.M., D.L. Boley, 2001).