À retenir
- Construction d'une structure en forme d'arbre (dendrogramme).
- Pas besoin de fixer le nombre de groupes au départ.
- Méthode gourmande en puissance de calcul sur de très gros volumes de données.
La CAH est une technique statistique et informatique utilisée pour regrouper des données similaires au sein de familles. Imaginez que vous ayez une pile de photos en désordre : vous commencez par rapprocher les deux photos les plus ressemblantes, puis vous continuez étape par étape jusqu'à obtenir un véritable arbre généalogique (appelé dendrogramme) qui montre comment les groupes se sont formés.
Étymologie
Acronyme de Classification Ascendante Hiérarchique. Le mot « ascendante » indique que l'on part du bas (les éléments isolés) pour remonter vers le haut (le groupe global). C'est une méthode de clustering (regroupement) très populaire en science des données.
Exemples d'usage
- En marketing : regrouper des clients selon leurs habitudes d'achat pour créer des segments publicitaires.
- En biologie : classer des espèces animales en fonction de leurs points communs génétiques.
- En analyse de texte : organiser des milliers d'articles de presse par thématiques proches.
Cas d'usage
On utilise la CAH principalement en Data Science et en Data Mining lorsqu'on ne connaît pas à l'avance le nombre de groupes pertinents dans un jeu de données. Elle est très utile pour l'exploration de données complexes où les relations de parenté entre les éléments sont importantes.
Bonnes pratiques
Il est crucial de normaliser les données (les mettre sur la même échelle) avant de lancer l'algorithme, sinon une variable avec de grands nombres écrasera les autres. Il faut aussi choisir avec soin la mesure de distance (ex: distance euclidienne) et la méthode de liaison (ex: critère de Ward) pour obtenir des groupes cohérents.
Synonymes
Antonymes
Conseil
Si vous débutez, utilisez la CAH pour visualiser de petits jeux de données (moins de 5000 lignes). C'est le meilleur moyen de comprendre la structure de vos données sans avoir à deviner combien de catégories elles contiennent réellement.
Questions fréquentes
C'est quoi un dendrogramme ?
C'est un graphique en forme de branches d'arbre qui illustre visuellement la manière dont les données ont été fusionnées à chaque étape de la CAH.
Quand s'arrêter de regrouper ?
On observe généralement le dendrogramme pour repérer un saut important dans la distance entre deux fusions ; c'est l'endroit idéal pour 'couper' l'arbre et définir ses groupes.
Est-ce mieux que les K-means ?
Tout dépend du besoin : la CAH est plus précise pour voir les hiérarchies, mais elle est beaucoup plus lente que les K-means sur des millions de lignes.