En clair
Le clustering consiste à regrouper des données qui se ressemblent. C'est une méthode d'apprentissage automatique. À la différence de la classification on ne donne à l'algorithme ni étiquettes ni catégories. Il doit découvrir lui-même les groupes qu'on appelle des « clusters ».
Il se fonde pour cela sur la distance entre les points. Deux points proches sont jugés semblables et placés dans le même groupe. Deux points éloignés finissent dans des groupes différents. C'est ce qu'on appelle de l'apprentissage non supervisé.
Pourquoi c'est important
Le clustering sert à explorer des données sans idée préconçue. Il fait apparaître des structures cachées. On s'en sert pour segmenter des clients selon leur comportement, regrouper des articles proches ou ranger des images. C'est un outil de découverte plus que de prédiction. On ne cherche pas à deviner une réponse connue. On cherche à mieux comprendre les données.
Dans la pratique
On choisit d'abord une mesure de distance pour chiffrer la ressemblance entre deux points. C'est souvent la distance euclidienne. On applique ensuite un algorithme comme K-means. Il place K centres de groupes et rattache chaque point au centre le plus proche. Il recalcule alors les centres et recommence jusqu'à ce que les groupes ne bougent plus.
Il faut souvent fixer le nombre de groupes K à l'avance et ce n'est pas toujours facile. On juge la qualité du résultat avec des métriques comme le coefficient de silhouette. Il mesure à quel point chaque point est bien à sa place dans son groupe. Comme pour tout modèle on peut aussi séparer les données en un ensemble d'entraînement et un ensemble de test pour évaluer le résultat.
À ne pas confondre avec
- En classification les catégories sont connues à l'avance et le modèle apprend à les prédire. En clustering les groupes sont inconnus et l'algorithme les découvre.
- L'apprentissage supervisé suppose une variable cible. Le clustering n'en a pas et relève de l'apprentissage non supervisé.
- La réduction de dimension simplifie les données en diminuant le nombre de variables. Le clustering, lui, regroupe des points.