• Réduction d'un nuage de points d’un espace quelconque en un ensemble de représentants moins nombreux
• Représentation simplifiée des données initiales : Méthode de réduction des données
• Applications nombreuses
• Deux grandes familles de classification :
  • par partitionnement
  • par hiérarchie

Notation : Soit \(x\) une matrice de données \(n \times d\) définie par \(x = {x^j_i ; i \in I; j \in J}\), où \(I\) est un ensemble de \(n\) objets (lignes, observations, instances, individus) et \(J\) est un ensemble de \(d\) variables (colonnes, attributs).

Définition : Une partition de \(I\) en \(s\) classes (\(s\) est supposé connu) est un ensemble de parties non vides \(z_1,\dots,z_s\) vérifiant :

• \(\forall k, k' = 1,\ldots,s , k \neq k', z_k \cap z_{k'} = \emptyset\),

• \(\cup^s_{k = 1} z_k = I\)

• Nombre de partitions possibles très important
  • 1701 partitions possibles de 8 objets répartis en 4 classes
• Meilleure partition : problème très complexe

• Partition optimale localement

On se place ici dans le cadre de partitions dites non-recouvrantes : un individu appartient à une et une seule classe

• Classification directe
• Algorithme
  1. Initialisation : \(s\) points tirés au hasard pour les centres de gravité de chaque classe,
  2. Affectation : On affecte les points à la classe la plus proche,
  3. Représentation : On recalcule les nouveaux centres de gravité,
  4. On répète les étapes d’affectation et de représentation jusqu’à la convergence de l’algorithme (i. e. plus de changement de le partition).
• Résultats dépendant de l'initialisation
• Nombre de classes devant être connu
• Complexité linéaire

• Critère à minimiser : \[ W(z,g) = \sum_{k=1}^s \sum_{i \in z_k} d^2(x_i,g_k) \]
• Somme des inerties intra-classes
• Basé sur la distance euclidienne
• Très rapide dans la convergence et dans le calcul
  • Convergence assez rapide (moins de 20 itérations généralement)
• Connu et très utilisé
• Variables devant avoir la même échelle
  • Standardisation éventuellement nécessaire

• Données continues : \(k\)-means
  • Classes sphériques, et de même taille
  • Classes petites vidées
• Données binaires :
  • Adaptation du critère de \(k\)-means
  • Contrainte sur les centres des classes (pas de moyenne, mais valeur \(0\) ou \(1\) la plus présente)
• Données catégorielles : \(k\)-modes
  • \(k\)-means avec la métrique du \(\chi^2\)
  • Problèmes similaires à \(k\)-means

• Critère à minimiser : \[ J_m(\mu,g) = \sum_{k=1}^s \sum_{i=1}^n (\mu_{ik})^m d^2(x_i,g_k) \]
• \(\mu = [\mu_{ik}]\) : degré d'appartenance de \(i\) à la classe \(k\) (entre 0 et 1)
• Un individu peut donc appartenir à plusieurs classes, avec un degré spécifique
  • \(\sum_k \mu_{ik} = 1\)
• Problèmes similaires à \(k\)-means pour les formes des classes et les proportions

Définition : Un ensemble \(H\) de parties non vides de \(I\) est une hiérarchie sur \(I\) si

• \(I \in H\)
• \(\forall i \in I, {i} \in H\)
• \(\forall h, h' \in H\), on a un des trois cas :
  • \(h \cap h' = \emptyset\)
  • \(h \subset h'\)
  • \(h' \subset h\)
• Ensemble de partitions emboîtées

On se place ici dans le cadre de la Classification ascendante hiérarchique (CAH) considérée ici

• Algorithme
  1. Chaque objet est dans sa propre classe
  2. Calcul des distances entre les classes
  3. Regroupement des deux classes les plus proches
     • Mise à jour des nouvelles distances
  4. Répétition de l'étape 3 jusqu'à n'avoir plus qu'une seule classe
• Pas de nécessité de connaître le nombre de classes
• Algorithme déterministe
• Complexité quadratique

• Critères d'aggrégation à définir : simple, complet, médian, moyen, centroïde
• Le plus utilisé : Critère de Ward \[ \delta_{Ward} (z_h, z_{h'}) = \frac{\#z_h \times \#z_{h'}}{\#z_h + \#z_{h'}} d^2(z_h, z_{h'}) \]
• Basé sur la distance euclidienne (ou autre distance si besoin)
• Temps de calcul pouvant être long si \(n\) grand
• Nouvelles distances calculées à partir des anciennes dans certains cas (dont Ward)

• Distribution de probabilité : mélange de \(s\) distributions associées aux classes
• Cas d’une variable continue, avec deux classes présentes

• Tableau de données \(x\) considéré comme échantillon \((x_1, \ldots,x_n)\) i.i.d. de taille \(n\) d’une variable aléatoire avec la densité \(\varphi(x,\theta)\) définie par : \[ \varphi(x_i;\theta) = \sum_{k=1}^s p_k \varphi_k (x_i;\alpha_k) \]
• \(\varphi_k(x_i, \alpha_k)\) : densité de probabilité de la classe \(k\)
• \(p_k\) : probabilité qu’un élément de l’échantillon suive la loi \(\varphi_k\) (proportions du mélange)
  • \(\forall k=1,\ldots,n, p_k \in ]0,1[\)
  • \(\sum_{k=1}^s p_k = 1\)
• \(\theta = (p_1, \ldots ,p_s; \alpha_1, \ldots ,\alpha_s)\) : paramètre du modèle de mélange

• Problème statistique : estimer les proportions des composants ( les \((p_k)\)) et les paramètres (les \((\alpha_k)\))
• Utilisation de la log-vraisemblance : \[ L(x_1,\ldots,x_n;\theta) = \sum_{i=1}^n \log \left( \sum_{k=1}^s p_k \varphi_k (x_i;\alpha_k) \right) \]
• Pour la classification, chaque \(x_i\) appartiendra à une classe \(k\), tel que \(z_{ik} = 1\) (et 0 sinon)
• Log-vraissemblance complétée (ou classifiante) : \[ L_c(x_1,\ldots,x_n; z, \theta) = \sum_{i=1}^n \sum_{k=1}^s z_{ik} \log\left( p_k \varphi_k (x_i;\alpha_k) \right) \]

• Approche Estimation
  • Estimation des paramètres du mélange
  • Déduction de la partition, avec la méthode du maximum a posteriori MAP
  • Maximisation de la log-vraisemblance \(L(x; \theta)\)
  • Utilisation de l'lagorithme EM
• Approche Classification
  • Estimation conjointe des paramètres et de la partition
  • Maximisation de la log-vraisemblance classifiante \(L_C(x; z, \theta)\)
  • Utilisation de l'algorithme CEM
• Approche Hiérarchique
  • Utilisation de la log-vraisemblance classifiante \(L_C(x; z, \theta)\)

• EM : Estimation-Maximisation
• Algorithme :
  1. Déterminer une situation initiale
  2. Estimation des probabilités a posteriori \[ t_{ik} = \frac{p_k \varphi_k (x_i;\alpha_k)}{\sum_{\ell=1}^s p_\ell \varphi_\ell (x_i;\alpha_\ell)} \]
  3. Maximisation : calcul des paramètres du mélange \[ \begin{aligned} p_k &= \frac{\sum_{i=1}^n t_{ik}}{n} \\ \alpha_k &= \mbox{dépendant du modèle} \end{aligned} \]
  4. Itérer les étapes 2 et 3, jusqu'à la convergence (évolution très faible de \(L\))

• CEM : Classification EM
• Ajout d'une étape de classification dans EM
  1. Déterminer une situation initiale
  2. Estimation des probabilités a posteriori \(t_{ik}\) (identique)
  3. Classification des individus avec la méthode du MAP \[ z_k = \{ i | t_{ik} = max_{\ell=1,\ldots,s} t_{i\ell} \} \]
  4. Maximisation : calcul des paramètres du mélange \[ \begin{aligned} p_k &= \frac{Card(z_k)}{n} \\ \alpha_k &= \mbox{dépendant du modèle} \end{aligned} \]
  5. Itérer les étapes 2 à 4, jusqu'à la convergence (évolution très faible de \(L_c\))

• Résultats dépendant fortement de l'initialisation
  • Lancement avec des initialisations différentes
  • Récupération de la meilleure solution, selon \(L\) (ou \(L_c\))
  • Initialisation de EM avec la meilleure solution de CEM (ou autre)
  • SEM : Version stochastique (étape de classification : affectation stochastique)
• Cas gaussien
  • Fuzzy \(c\)-means : EM avc contraintes sur le modèle
  • \(k\)-means : CEM avec contraintes sur le modèle
• Cas qualitatif :
  • \(k\)-modes : CEM avec contraintes sur le modèle

• Utilisation de la log-vraisemblance classifiante \[ L_C(x; z, \theta) = \sum_{k=1}^s L_(z_k, \theta_k) \]
• Distance entre deux classes définie par \[ d(z_k, z_{k'}) = L_C(z_k, \theta_k) + L_C(Z_{k'}, \theta_{k'}) - L_C(z_{k \cup k'}, \theta_{k \cup k'}) \]
  • Evolution de la log-vraissemblance lors de la fusion des deux classes
• Cas gaussien :
  • CAH avec Ward : CAH avec modèles de mélange + contraintes sur le modèle

• En présence de données continues, utilisation du modèle gaussien
• Densité de probabilité de la classe \(k\) : \[ \varphi(x_i;g_k,\Sigma_k) = (2\pi)^{-d/2} |\Sigma_k|^{-1/2} \exp \left( -\frac{1}{2} (x_i - g_k)' \Sigma_k^{-1} (x_i - g_k) \right) \]
• \(g_k\) : moyenne des variables pour la classe \(k\)
• \(\Sigma_k\) : matrice de variance-covariance de la classe \(k\)

Expression de la matrice de variance en fonction de sa décomposition en valeurs propres \[ \Sigma_k = \lambda_k D_k A_k' D_k' \]

• \(\lambda_k = |\Sigma_k|^{1/d}\), détermine le volume de la classe
• \(D_k\) : matrice des vecteurs propres, détermine l'orientation de la classe
• \(A_k\) : matrice diagonale (tel \(|A_k|=1\)), avec les valeurs propres de \(\Sigma_k\), détermine la forme de la classe

En imposant des contraintes sur ces valeurs, utilisation de modèles plus ou moins parcimonieux

• Famille générale
  • Volumes différents (\(\lambda_k\)) ou identiques (\(\lambda\))
  • Formes différentes (\(A_k\)) ou identiques (\(A\))
  • Orientations différentes (\(D_k\)) ou identiques (\(D\))
• Famille diagonale
  • Matrices \(\Sigma_k\) diagonales
  • \(D_k\) : matrices de permutation
• Famille sphérique
  • \(A_k\) : matrice identité (\(I_k\))
  • Formes sphériques

Proportions \(p_k\) pouvant être contraintes à être identiques (donc 28 modèles en tout)

• Utilisation du modèle des classes latentes
• Densité de probabilité de la classe \(k\) \[ \varphi(x_i;\alpha_k) = \prod_{j=1}^d \prod_{e=1}^{c_j} \left( a_k^{je} \right)^{x_i^{je}} \]
• Variable \(j\) à \(c_j\) modalités
• \(x_i^{je} = 1\) si l'individu \(i\) a la modalité \(e\) pour la variable \(j\)
• \(a_k^{je}\) : probabilité de la modalité \(e\) de la variable \(j\) pour la classe \(z_k\)

• De manière identique au cas gaussien, possibilité de créer des modèles restreints
• Modèle générale : une probabilité pour chaque modalité de chaque variable dans chaque classe
• Restriction première :
  • \(m_k^j\) : modalité majoritaire pour la variable \(j\) dans la classe \(k\)
  • \(\varepsilon_k^j\) : probabilité d'erreur
  • \(\delta(x,y) = 0\) si \(x=y\), et \(1\) sinon \[ \varphi(x_i;\alpha_k) = \prod_{j=1}^d (1 - \varepsilon_k^j)^{1 - \delta(x_i^j,m_k^j)} \left( \frac{\varepsilon_k^j}{c_j - 1} \right)^{\delta(x_i^j,m_k^j)} \]

• \(\alpha_k^{je}\) : une probabilité pour chaque modalité
• \(\varepsilon_k^j\) : erreur spécifique à une classe et une variable
• \(\varepsilon_k\) : erreur spécifique à une classe (et identique pour toutes les variables)
• \(\varepsilon^j\) : erreur spécifique à une variable (et identique pour toutes les classes)
• \(\varepsilon\) : erreur identique pour toutes les variables dans toutes les classes
• \(p_k\) : proportions des classes différentes
• \(p\) : proportions des classes identiques

Dans toutes ces méthodes, le nombre de classes doit être connu.

• Choix fait par un expert métier
• Méthodes de recherche du nombre de classes
  • Utilisation de la vraisemblance seule impossible
  • Classification hiérarchique (inutilisable si trop d'objets)
  • Critères de choix de modèles
    • (ici) basé sur une pénalisation de la vraisemblance \[ C(s) = -2 \left( L_{max}(s) + \gamma_C \times \nu(s) \right) \]
    • \(L_{max}(s)\) : vraisemblance maximum pour \(s\) classes
    • \(\gamma_C\) : coefficient de pénalisation, spécifique à chaque critère \(C\)
    • \(\nu(s)\) : nombre de paramètres libres du modèle considéré

• \(AIC\) : critère d'information d'Akaike (\(\gamma_{AIC} = 1\)) \[ AIC(s) = -2L(s) + 2 \nu(s) \]
• \(AIC3\) : version modifiée (\(\gamma_{AIC3} = \frac{3}{2}\)) \[ AIC3(s) = -2L(s) + 3 \nu(s) \]
• \(AWE\) : approximation de la solution exacte (\(\gamma_{AWE} = \frac{1}{2}\left( \frac{3}{2} + \log n\right)\)) \[ AWE(s) = -2L(s) + \nu(s) \left( \frac{3}{2} + \log n\right) \]
• Critères finalement peu utilisés, mais pouvant donner de bons résultats (notemment \(AIC3\))

• \(BIC\) : estimation de la vraisemblance intégrée (et similaire aux précédents avec \(\gamma_{BIC}=\frac{\log n}{2}\)) \[ BIC(s) = L(s) - \frac{\nu(s)}{2} \log n \]
• \(ICL\) : basée sur la vraissemblance intégrée complétée \[ ICL(s) = L_C(s) - n\sum_{k=1}^s p_k \log p_k - \frac{\nu(s)}{2} \log n + S(np_1, \ldots, np_s) \]
• \(ICL\) et principalement \(BIC\) sont les plus utilisés (comparaison de ces deux critères dans la suite)

• Utilisation de la librairie mclust

plot(faithful)

faithful.mclust = Mclust(faithful)
summary(faithful.mclust)

## ----------------------------------------------------
## Gaussian finite mixture model fitted by EM algorithm 
## ----------------------------------------------------
## 
## Mclust VEV (ellipsoidal, equal shape) model with 4 components:
## 
##  log.likelihood   n df       BIC       ICL
##       -1047.959 272 33 -2280.909 -2302.185
## 
## Clustering table:
##  1  2  3  4 
## 86 63 34 89

summary(faithful.mclust$BIC)

## Best BIC values:
##              VEV,4        EVE,3       VEV,3
## BIC      -2280.909 -2286.713263 -2352.17517
## BIC diff     0.000    -5.804148   -71.26606

plot(faithful.mclust, what = "BIC")

plot(faithful.mclust, what = "classification")

plot(faithful.mclust, what = "uncertainty")

faithful.mclustICL = mclustICL(faithful)
summary(faithful.mclustICL)

## Best ICL values:
##              EVE,3        VEV,4       VEV,3
## ICL      -2300.802 -2302.184742 -2366.01042
## ICL diff     0.000    -1.382245   -65.20793

plot(faithful.mclustICL)

histCluster(iris.mixmod["bestResult"], iris[-5])

plot(iris.mixmod)

plotCluster(iris.mixmod["bestResult"], iris[-5], variable1 = 1, variable2 = 2)

iris.mixmodICL = mixmodCluster(iris[-5], nbCluster = 1:9,
                               criterion = "ICL",
                               model = mixmodGaussianModel())
summary(iris.mixmodICL)

## **************************************************************
## * Number of samples    =  150 
## * Problem dimension    =  4 
## **************************************************************
## *       Number of cluster =  2 
## *              Model Type =  Gaussian_pk_Lk_Dk_A_Dk 
## *               Criterion =  ICL(561.7324)
## *              Parameters =  list by cluster
## *                  Cluster  1 : 
##                          Proportion =  0.6667 
##                               Means =  6.2620 2.8720 4.9060 1.6760 
##                           Variances = |     0.4000     0.1087     0.3994     0.1437 |
##                                       |     0.1087     0.1093     0.1239     0.0728 |
##                                       |     0.3994     0.1239     0.6109     0.2574 |
##                                       |     0.1437     0.0728     0.2574     0.1681 |
## *                  Cluster  2 : 
##                          Proportion =  0.3333 
##                               Means =  5.0060 3.4280 1.4620 0.2460 
##                           Variances = |     0.1507     0.1308     0.0208     0.0131 |
##                                       |     0.1308     0.1760     0.0160     0.0122 |
##                                       |     0.0208     0.0160     0.0281     0.0060 |
##                                       |     0.0131     0.0122     0.0060     0.0104 |
## *          Log-likelihood =  -215.7260 
## **************************************************************

iris.EM = mixmodCluster(iris[-5], 3, strategy = mixmodStrategy("EM", 20, "random"))
iris.CEM = mixmodCluster(iris[-5], 3, strategy = mixmodStrategy("CEM", 20, "random"))

birds.mixmod = mixmodCluster(birds, 2,
                             models = mixmodMultinomialModel())
summary(birds.mixmod)

## **************************************************************
## * Number of samples    =  69 
## * Problem dimension    =  5 
## **************************************************************
## *       Number of cluster =  2 
## *              Model Type =  Binary_p_Ej 
## *               Criterion =  BIC(485.2679)
## *              Parameters =  list by cluster
## *                  Cluster  1 : 
##                          Proportion =  0.5000 
##                              Center =  1.0000 2.0000 2.0000 1.0000 1.0000 
##                             Scatter = |     0.4681     0.4681 |
##                                       |     0.0851     0.2554     0.0851     0.0851 |
##                                       |     0.0075     0.0301     0.0075     0.0075     0.0075 |
##                                       |     0.2479     0.0620     0.0620     0.0620     0.0620 |
##                                       |     0.0751     0.0376     0.0376 |
## *                  Cluster  2 : 
##                          Proportion =  0.5000 
##                              Center =  2.0000 3.0000 1.0000 1.0000 1.0000 
##                             Scatter = |     0.4681     0.4681 |
##                                       |     0.0851     0.0851     0.2554     0.0851 |
##                                       |     0.0301     0.0075     0.0075     0.0075     0.0075 |
##                                       |     0.2479     0.0620     0.0620     0.0620     0.0620 |
##                                       |     0.0751     0.0376     0.0376 |
## *          Log-likelihood =  -232.0487 
## **************************************************************

plot(birds.mixmod)

## round digits : 6NULL
## duplicated individuals : 46NULL

barplot(birds.mixmod)

• Logiciel mixmod
• Packages R
  • Rmixmod
  • mclust

• Procédure FMM dans SAS

• Finite Mixture Models, G.J. McLachlan et D. Peel

• Modèle de mélange et classification, Présentation de G. Govaert (2008)