L’analyse des donn\u00e9es contemporaine, confront\u00e9e \u00e0 l’explosion de la dimensionnalit\u00e9 et \u00e0 la complexit\u00e9 croissante des architectures d’\u00e9chantillonnage, exige des m\u00e9thodologies d’investigation capables d’extraire du sens sans imposer de carcan th\u00e9orique restrictif. Dans les sciences comportementales, la psychom\u00e9trie, la sociologie quantitative et la bio-informatique, les chercheurs se heurtent fr\u00e9quemment \u00e0 des corpus empiriques au sein desquels aucune variable d’\u00e9tiquetage n’est pr\u00e9alablement d\u00e9finie. Face \u00e0 ces espaces multivari\u00e9s, la taxonomie computationnelle s’\u00e9rige en discipline cardinale pour structurer l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 sous-jacente des observations et r\u00e9v\u00e9ler des groupements naturels jusqu’alors occult\u00e9s par la masse informationnelle brute.<\/p>\n
Au c\u0153ur de cet arsenal exploratoire, la classification ascendante hi\u00e9rarchique (CAH) occupe une position \u00e9pist\u00e9mologique et pratique pr\u00e9pond\u00e9rante. Contrairement aux approches de partitionnement direct, la d\u00e9marche hi\u00e9rarchique ne force pas les observations dans un nombre de cat\u00e9gories arbitrairement fig\u00e9 d\u00e8s l’amorce de l’analyse. Elle d\u00e9ploie au contraire une perspective morphologique continue, organisant les entit\u00e9s \u00e9tudi\u00e9es selon une arborescence gradu\u00e9e qui capture les proximit\u00e9s proximales et les divergences globales. Cette structure g\u00e9n\u00e9alogique offre une finesse d’analyse in\u00e9gal\u00e9e pour appr\u00e9hender les organisations multi-\u00e9chelles, des micropopulations homog\u00e8nes aux macro-typologies g\u00e9n\u00e9rales.<\/p>\n
L’environnement statistique R s’impose historiquement comme l’\u00e9cosyst\u00e8me de pr\u00e9dilection pour conduire ces investigations typologiques de haute pr\u00e9cision. Dot\u00e9 d’une impl\u00e9mentation matricielle native optimis\u00e9e et enrichi par une communaut\u00e9 prolifique d’algorithmiciennes et de statisticiens, R propose une suite compl\u00e8te d’outils d\u00e9di\u00e9s \u00e0 l’ing\u00e9nierie des distances, \u00e0 l’agr\u00e9gation hi\u00e9rarchique, \u00e0 la mod\u00e9lisation s\u00e9miologique des arbres et \u00e0 la validation inf\u00e9rentielle des topologies obtenues. Cet article propose une d\u00e9construction exhaustive, th\u00e9orique et op\u00e9rationnelle, de la classification hi\u00e9rarchique sous R, guidant le chercheur depuis les axiomes fondamentaux de la dissimilarit\u00e9 jusqu’\u00e0 la validation robuste et l’interpr\u00e9tation substantielle des profils comportementaux.<\/p>\n
L’apprentissage non supervis\u00e9 se distingue fondamentalement du paradigme supervis\u00e9 par l’absence d\u00e9lib\u00e9r\u00e9e d’une variable cible, d’un label externe ou d’un crit\u00e8re de v\u00e9rit\u00e9 terrain pr\u00e9alablement assign\u00e9 aux unit\u00e9s statistiques. Dans le cadre supervis\u00e9, l’objectif algorithmique consiste \u00e0 optimiser une fonction de perte param\u00e9trique ou non param\u00e9trique reliant un vecteur de covariables \u00e0 une r\u00e9ponse empirique connue, qu’il s’agisse d’une r\u00e9gression continue ou d’une discrimination cat\u00e9gorielle. En revanche, la classification non supervis\u00e9e \u00e9volue au sein d’un espace multidimensionnel o\u00f9 seules les relations endog\u00e8nes entre observations guident le processus de d\u00e9couverte statistique. Il s’agit d’une d\u00e9marche purement inductive dans laquelle l’algorithme doit synth\u00e9tiser la topologie intrins\u00e8que du nuage de points sans guidage t\u00e9l\u00e9ologique.<\/p>\n
Cette approche vise la d\u00e9couverte de structures latentes au sein d’ensembles de donn\u00e9es multidimensionnels. L’hypoth\u00e8se directrice postule que les entit\u00e9s observ\u00e9es ne se distribuent pas de mani\u00e8re al\u00e9atoire ou uniforme dans l’espace des variables, mais qu’elles se condensent autour de sous-vari\u00e9t\u00e9s g\u00e9om\u00e9triques ou de bassins de densit\u00e9 sp\u00e9cifiques. Ces concentrations refl\u00e8tent des r\u00e9gularit\u00e9s sous-jacentes, des m\u00e9canismes g\u00e9n\u00e9rateurs communs ou des contraintes \u00e9cologiques et psychologiques partag\u00e9es. L’enjeu m\u00e9thodologique consiste d\u00e8s lors \u00e0 projeter la lumi\u00e8re sur ces configurations dissimul\u00e9es par l’enchev\u00eatrement des covariations, sans introduire de biais de confirmation li\u00e9 aux attentes du mod\u00e9lisateur.<\/p>\n
D’un point de vue \u00e9pist\u00e9mologique, la distinction entre analyse pr\u00e9dictive et analyse exploratoire de donn\u00e9es, telle que th\u00e9oris\u00e9e initialement par John Tukey<\/a>, prend ici tout son sens. Tandis que la mod\u00e9lisation pr\u00e9dictive se focalise sur l’extrapolation et la performance d’assignation sur de nouveaux \u00e9chantillons, l’analyse exploratoire vise l’intelligibilit\u00e9 des ph\u00e9nom\u00e8nes et la g\u00e9n\u00e9ration d’hypoth\u00e8ses novatrices. La classification non supervis\u00e9e ne pr\u00e9tend pas d\u00e9cr\u00e9ter une v\u00e9rit\u00e9 ontologique absolue, mais fournir une cartographie heuristique simplifi\u00e9e de la r\u00e9alit\u00e9 empirique. Elle permet au chercheur d’appr\u00e9hender la complexit\u00e9 d’un corpus de donn\u00e9es, d’identifier des r\u00e9gularit\u00e9s morphologiques et d’\u00e9laborer des cadres typologiques rigoureux susceptibles d’\u00eatre soumis ult\u00e9rieurement \u00e0 des tests confirmatoires.<\/p>\n La distinction op\u00e9rationnelle entre le partitionnement non hi\u00e9rarchique, exemplifi\u00e9 par l’algorithme des k-means<\/em> (ou k-moyennes<\/em>), et la classification hi\u00e9rarchique r\u00e9side dans la g\u00e9om\u00e9trie computationnelle sous-jacente et les contraintes structurelles impos\u00e9es \u00e0 l’espace des solutions. Dans le partitionnement k-means<\/em>, l’analyste est contraint de postuler a priori<\/em> une valeur exacte pour le nombre de classes, d\u00e9sign\u00e9 par le param\u00e8tre $k$<\/span>. Cette exigence repr\u00e9sente une limite substantielle en phase exploratoire, car la v\u00e9ritable granularit\u00e9 taxinomique du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 est g\u00e9n\u00e9ralement ignor\u00e9e. Une sous-estimation de $k$<\/span> comprime l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 empirique et masque des sous-groupes cruciaux, tandis qu’une sur-estimation fracture artificiellement des cat\u00e9gories continues et coh\u00e9rentes.<\/p>\n Au-del\u00e0 de cette contrainte initiale, l’algorithme des k-means<\/em> repose sur un processus d’optimisation it\u00e9ratif hautement sensible aux initialisations al\u00e9atoires des centro\u00efdes. Cette instabilit\u00e9 structurelle enferme fr\u00e9quemment la solution num\u00e9rique dans des minima locaux de la fonction de variance intra-classe, n\u00e9cessitant de multiples r\u00e9plications al\u00e9atoires pour stabiliser une solution optimale. De surcro\u00eet, le partitionnement par centro\u00efdes impose implicitement une hypoth\u00e8se d’hyper-sph\u00e9ricit\u00e9 et d’homog\u00e9n\u00e9it\u00e9 de volume sur les clusters g\u00e9n\u00e9r\u00e9s, rendant l’algorithme particuli\u00e8rement vuln\u00e9rable face \u00e0 des structures de donn\u00e9es asym\u00e9triques, allong\u00e9es ou imbriqu\u00e9es de mani\u00e8re non convexe.<\/p>\n \u00c0 l’inverse, l’approche hi\u00e9rarchique s’affranchit totalement de la fixation pr\u00e9alable d’un nombre $k$<\/span> d’agr\u00e9gats. Elle d\u00e9ploie une trajectoire d’assemblage continue et d\u00e9terministe, mat\u00e9rialis\u00e9e sous la forme d’un arbre g\u00e9n\u00e9alogique appel\u00e9 dendrogramme. Chaque palier d’agr\u00e9gation ou de scission refl\u00e8te une intensit\u00e9 math\u00e9matique de proximit\u00e9, permettant au praticien d’examiner simultan\u00e9ment de multiples niveaux de granularit\u00e9 sans devoir recalculer int\u00e9gralement les partitions. Cette absence de contrainte initiale, coupl\u00e9e \u00e0 un d\u00e9terminisme absolu des calculs d\u00e8s lors que la matrice de dissimilarit\u00e9 est fix\u00e9e, conf\u00e8re \u00e0 la classification hi\u00e9rarchique une transparence conceptuelle et une flexibilit\u00e9 analytique sup\u00e9rieures pour la caract\u00e9risation fine des donn\u00e9es comportementales.<\/p>\n Dans les disciplines psychologiques et comportementales, la variabilit\u00e9 interindividuelle constitue \u00e0 la fois un d\u00e9fi analytique majeur et le c\u0153ur m\u00eame de l’investigation empirique. La classification hi\u00e9rarchique y trouve une application privil\u00e9gi\u00e9e pour l’identification de profils de personnalit\u00e9 et de typologies comportementales. Plut\u00f4t que de postuler l’existence de types de personnalit\u00e9s rigides et mutuellement exclusifs sur une base purement intuitive, les chercheurs utilisent les m\u00e9thodes de clustering pour agr\u00e9ger des individus sur la base de patterns multidimensionnels complexes. Par exemple, au sein du mod\u00e8le des Big Five<\/em>, la classification permet de v\u00e9rifier l’\u00e9mergence empirique de constellations de traits sp\u00e9cifiques, comme les profils r\u00e9silients, surcontr\u00f4l\u00e9s ou sous-contr\u00f4l\u00e9s, validant ou infirmant les th\u00e9ories morphologiques de la personnalit\u00e9 humaine.<\/p>\n L’exploitation de la classification hi\u00e9rarchique s’\u00e9tend avec une efficacit\u00e9 remarquable \u00e0 la segmentation des r\u00e9ponses apport\u00e9es \u00e0 des \u00e9chelles psychom\u00e9triques et des inventaires cliniques standardis\u00e9s. Les questionnaires d’\u00e9valuation de la symptomatologie d\u00e9pressive, des manifestations anxieuses ou du syndrome d’\u00e9puisement professionnel (burnout) g\u00e9n\u00e8rent des matrices de covariance denses o\u00f9 les individus manifestent des profils de d\u00e9tresse h\u00e9t\u00e9roclites. Le clustering permet d’isoler des sous-populations cliniques pr\u00e9sentant des configurations symptomatiques distinctes, telles que des formes de d\u00e9pression \u00e0 pr\u00e9dominance somatique versus cognitive, autorisant ainsi une cat\u00e9gorisation diagnostique plus fine que celle propos\u00e9e par les scores globaux univari\u00e9s.<\/p>\n Enfin, la recherche translationnelle et les sciences de l’\u00e9ducation mobilisent l’approche arborescente pour explorer l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des trajectoires th\u00e9rapeutiques, d\u00e9veloppementales ou d’apprentissage. En int\u00e9grant des mesures longitudinales r\u00e9p\u00e9t\u00e9es au sein du calcul de dissimilarit\u00e9, la classification hi\u00e9rarchique permet de cartographier la divergence des \u00e9volutions individuelles au fil du temps. Les cliniciens peuvent d\u00e8s lors rep\u00e9rer des trajectoires d’\u00e9chec pr\u00e9coce, des profils de r\u00e9mission spontan\u00e9e ou des patterns de r\u00e9sistance aux psychoth\u00e9rapies conventionnelles, fournissant ainsi une base empirique pour l’adaptation personnalis\u00e9e des protocoles d’intervention.<\/p>\n La classification ascendante hi\u00e9rarchique, d\u00e9sign\u00e9e sous l’appellation g\u00e9n\u00e9rique d’algorithme agglom\u00e9ratif, suit une trajectoire computationnelle partant de la base de l’arborescence pour s’\u00e9lever progressivement vers son sommet. Au stade initial de la proc\u00e9dure, not\u00e9 \u00e9tape z\u00e9ro, l’algorithme consid\u00e8re que chaque observation individuelle constitue un cluster unitaire \u00e0 part enti\u00e8re, d\u00e9sign\u00e9 dans la litt\u00e9rature sous le terme de singleton. Pour un ensemble de donn\u00e9es comprenant $n$<\/span> entit\u00e9s d’observation, la configuration de d\u00e9part comporte donc rigoureusement $n$<\/span> clusters disjoints, chacun caract\u00e9ris\u00e9 par une inertie interne nulle et une distance r\u00e9flexive \u00e9gale \u00e0 z\u00e9ro.<\/p>\n Le processus se d\u00e9roule ensuite de mani\u00e8re it\u00e9rative selon un sch\u00e9ma d’agr\u00e9gation glouton (greedy algorithm<\/em>). \u00c0 chaque \u00e9tape de la boucle computationnelle, l’algorithme scanne l’ensemble de la matrice de dissimilarit\u00e9 pour identifier les deux groupes pr\u00e9sentant la plus faible distance globale, selon le crit\u00e8re de liaison pr\u00e9alablement s\u00e9lectionn\u00e9. Ces deux entit\u00e9s sont imm\u00e9diatement fusionn\u00e9es au sein d’un nouveau cluster composite, r\u00e9duisant le nombre total de groupes de $k$<\/span> \u00e0 $k – 1$<\/span>. La matrice de distance est alors actualis\u00e9e pour int\u00e9grer cette nouvelle entit\u00e9 et recalculer ses proximit\u00e9s avec l’ensemble des clusters restants. Ce cycle de d\u00e9tection et de coalescence se r\u00e9p\u00e8te exactement $n – 1$<\/span> fois, jusqu’\u00e0 ce que la totalit\u00e9 des observations soit agglom\u00e9r\u00e9e au sein d’un macro-cluster universel unique renfermant la population globale.<\/p>\n Cette \u00e9l\u00e9gance conceptuelle s’accompagne d’un co\u00fbt computationnel substantiel qui gouverne la praticabilit\u00e9 de l’approche. Sur le plan de la complexit\u00e9 temporelle, l’impl\u00e9mentation na\u00efve de l’algorithme agglom\u00e9ratif pr\u00e9sente une complexit\u00e9 asymptotique de l’ordre de $O(n^3)$<\/span>, bien que des formulations algorithmiques optimis\u00e9es, \u00e0 l’instar de l’algorithme de Murtagh et Legendre<\/a>, parviennent \u00e0 abaisser cette charge \u00e0 une complexit\u00e9 quadratique en $O(n^2)$<\/span>. Sur le plan spatial, la n\u00e9cessit\u00e9 de stocker en m\u00e9moire vive la matrice triangulaire inf\u00e9rieure des distances impose une allocation m\u00e9moire en $O(n^2)$<\/span>. Pour des cohortes d\u00e9passant plusieurs dizaines de milliers d’individus, ces exigences mat\u00e9rielles entra\u00eenent une saturation rapide de la RAM, \u00e9rigeant la taille d’\u00e9chantillon en contrainte technique d\u00e9terminante.<\/p>\n \u00c0 l’oppos\u00e9 diam\u00e9tral de la logique agglom\u00e9rative, la classification descendante hi\u00e9rarchique, incarn\u00e9e historiquement par l’algorithme DIANA (Divisive Analysis<\/em>) d\u00e9velopp\u00e9 par Leonard Kaufman et Peter Rousseeuw, amorce son parcours taxinomique au sommet de la hi\u00e9rarchie. Dans cette configuration initiale, l’int\u00e9gralit\u00e9 des $n$<\/span> observations est condens\u00e9e dans un macro-cluster universel unique. L’objectif algorithmique consiste d\u00e8s lors \u00e0 fractionner r\u00e9cursivement cet ensemble h\u00e9t\u00e9rog\u00e8ne en sous-groupes successifs, de mani\u00e8re \u00e0 maximiser la variance ou la distance inter-classes \u00e0 chaque scission spatiale.<\/p>\n \u00c0 chaque it\u00e9ration de la proc\u00e9dure divisive, l’algorithme identifie le cluster pr\u00e9sentant le diam\u00e8tre le plus \u00e9lev\u00e9, c’est-\u00e0-dire l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interne maximale. Au sein de ce groupe, l’observation d\u00e9montrant la plus grande dissimilarit\u00e9 moyenne par rapport \u00e0 l’ensemble de ses pairs est extraite pour initier un groupe dissident (splinter group<\/em>). Les autres entit\u00e9s de l’agr\u00e9gat sont ensuite r\u00e9attribu\u00e9es s\u00e9quentiellement \u00e0 ce nouveau noyau dissident si leur proximit\u00e9 moyenne avec celui-ci surpasse leur proximit\u00e9 avec le groupe d’origine. Cette m\u00e9canique de bifurcation binaire se poursuit jusqu’\u00e0 l’isolement complet de chaque individu sous forme de singleton terminal.<\/p>\n En d\u00e9pit de son \u00e9l\u00e9gance math\u00e9matique et de son aptitude th\u00e9orique \u00e0 capturer avec une grande acuit\u00e9 les macro-structures globales des donn\u00e9es d\u00e8s les premiers d\u00e9coupages, l’approche divisive demeure marginale dans la recherche appliqu\u00e9e en raison de son co\u00fbt de calcul exponentiel. Le nombre de partitions binaires possibles pour scinder un ensemble de $n$<\/span> \u00e9l\u00e9ments en deux sous-ensembles non vides est donn\u00e9 par la combinatoire $2^{n-1} – 1$<\/span>. L’exploration exhaustive de cet espace d\u00e9cisionnel devenant instantan\u00e9ment prohibitive d\u00e8s lors que $n$<\/span> exc\u00e8de quelques dizaines d’unit\u00e9s, les impl\u00e9mentations pratiques doivent recourir \u00e0 des heuristiques d’optimisation locale strictes. Cette limitation structurelle explique la pr\u00e9pond\u00e9rance quasi h\u00e9g\u00e9monique de la classification ascendante dans les progiciels statistiques contemporains.<\/p>\n Le dendrogramme, du grec dendron<\/em> signifiant arbre et gramma<\/em> d\u00e9signant le trac\u00e9, constitue la transcription graphique bidimensionnelle int\u00e9grale du processus de classification hi\u00e9rarchique. Sa topologie arborescente met en sc\u00e8ne l’histoire s\u00e9quentielle des regroupements ou des divisions. Les feuilles terminales de l’arbre correspondent aux unit\u00e9s statistiques individuelles ou aux variables analys\u00e9es. \u00c0 mesure que l’on progresse le long de la structure, des branches horizontales et verticales s’entrecroisent pour mat\u00e9rialiser les points de jonction o\u00f9 deux entit\u00e9s distinctes s’unissent pour former un groupe morphologique unifi\u00e9.<\/p>\n L’axe des ordonn\u00e9es (ou des abscisses selon l’orientation adopt\u00e9e) poss\u00e8de une s\u00e9mantique fondamentale : il quantifie la distance ultram\u00e9trique \u00e0 laquelle s’op\u00e8re chaque \u00e9v\u00e9nement de fusion. Contrairement \u00e0 une simple distance g\u00e9om\u00e9trique, la distance ultram\u00e9trique satisfait une in\u00e9galit\u00e9 triangulaire renforc\u00e9e, formul\u00e9e par la relation $d(x, z) le max[d(x, y), d(y, z)]$<\/span>. Cette hauteur d’interconnexion indique l’ampleur de la dissimilarit\u00e9 s\u00e9parant les sous-ensembles au moment pr\u00e9cis de leur agr\u00e9gation. Plus un n\u0153ud d’articulation se situe \u00e0 une altitude \u00e9lev\u00e9e dans le dendrogramme, plus la divergence morphologique entre les groupes fusionn\u00e9s est prononc\u00e9e, signalant une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 substantielle.<\/p>\n Une propri\u00e9t\u00e9 math\u00e9matique cardinale de cette repr\u00e9sentation r\u00e9side dans la monotonie des hauteurs de fusion successives. Dans des conditions standard de liaison, l’altitude des n\u0153uds cro\u00eet de mani\u00e8re strictement monotone au fil des it\u00e9rations agglom\u00e9ratives, garantissant l’absence d’inversions visuelles perturbatrices (crossovers<\/em>). Le dendrogramme r\u00e9ussit la prouesse graphique de compresser une structure relationnelle d\u00e9finie au sein d’un hyper-espace multidimensionnel complexe pour la projeter fid\u00e8lement dans un plan interpr\u00e9table, pr\u00e9servant la hi\u00e9rarchisation globale des voisinages sans d\u00e9naturer les proximit\u00e9s relatives originelles.<\/p>\n Le point de d\u00e9part analytique de toute classification hi\u00e9rarchique r\u00e9side dans la conversion d’une matrice d’observations de dimensions $n \\times p$<\/span>, comportant $n$<\/span> individus d\u00e9crits par $p$<\/span> covariables quantitatives, en une matrice de dissimilarit\u00e9 carr\u00e9e et sym\u00e9trique de dimensions $n \\times n$<\/span>. Dans le domaine des variables strictement continues, les distances g\u00e9om\u00e9triques issues de l’espace m\u00e9trique r\u00e9el repr\u00e9sentent le socle classique de calcul. La m\u00e9trique la plus universellement employ\u00e9e est la distance euclidienne canonique. Pour deux vecteurs d’observations individuelles not\u00e9s $\\mathbf{x}_i = (x_{i1}, x_{i2}, dots, x_{ip})$<\/span> et $\\mathbf{x}_j = (x_{j1}, x_{j2}, dots, x_{jp})$<\/span>, la distance euclidienne se formalise ainsi :<\/p>\n $$d_{\\text{Euclidienne}}(\\mathbf{x}_i, \\mathbf{x}_j) = \\sqrt{\\sum_{k=1}^{p} (x_{ik} – x_{jk})^2}$$<\/span><\/p>\n Cette formulation mesure la longueur du segment rectiligne reliant deux points dans un espace euclidien $p$<\/span>-dimensionnel. Dans de nombreux algorithmes d’optimisation, la distance euclidienne au carr\u00e9 est pr\u00e9f\u00e9r\u00e9e afin d’all\u00e9ger les calculs en s’affranchissant de l’op\u00e9rateur de racine carr\u00e9e et de conf\u00e9rer une p\u00e9nalit\u00e9 quadratique croissante aux \u00e9carts dimensionnels marqu\u00e9s. Toutefois, la m\u00e9trique euclidienne manifeste une sensibilit\u00e9 aigu\u00eb aux valeurs aberrantes (outliers<\/em>), car la sommation des diff\u00e9rences \u00e9lev\u00e9es au carr\u00e9 amplifie de fa\u00e7on disproportionn\u00e9e l’impact des variations extr\u00eames situ\u00e9es sur une seule dimension.<\/p>\n Pour att\u00e9nuer cette vuln\u00e9rabilit\u00e9 structurelle, la distance de Manhattan, \u00e9galement connue sous le terme de norme $L_1$<\/span> ou distance en blocs de ville (city-block distance<\/em>), propose une formulation g\u00e9om\u00e9trique plus robuste. Elle correspond \u00e0 la somme des valeurs absolues des \u00e9carts unidimensionnels :<\/p>\n $$d_{\\text{Man\\hat\\tan}}(\\mathbf{x}_i, \\mathbf{x}_j) = \\sum_{k=1}^{p} |x_{ik} – x_{jk}|$$<\/span><\/p>\n En renon\u00e7ant \u00e0 l’\u00e9l\u00e9vation quadratique, la norme $L_1$<\/span> assure une invariance de pond\u00e9ration face aux \u00e9carts marginaux, ce qui en fait un instrument de choix lorsque les distributions empiriques pr\u00e9sentent des queues \u00e9paisses. Ces deux mesures constituent des cas particuliers d’une formalisation param\u00e9trique plus globale : la distance de Minkowski d’ordre $m$<\/span>, d\u00e9finie par :<\/p>\n $$d_{\\text{Minkowski}}(\\mathbf{x}_i, \\mathbf{x}_j) = \\left( \\sum_{k=1}^{p} |x_{ik} – x_{jk}|^m \\right)^{\\frac{1}{m}}$$<\/span><\/p>\n Cette g\u00e9n\u00e9ralisation permet \u00e0 l’analyste de moduler la s\u00e9v\u00e9rit\u00e9 accord\u00e9e aux d\u00e9viations dimensionnelles en manipulant le param\u00e8tre continu $m$<\/span>, o\u00f9 $m=1$<\/span> restitue la distance de Manhattan, $m=2$<\/span> \u00e9quivaut \u00e0 la distance euclidienne, et la limite quand $m to \\infty$<\/span> converge vers la distance de Chebyshev, domin\u00e9e par le diff\u00e9rentiel unidimensionnel maximal absolu.<\/p>\n Dans de nombreuses investigations psychologiques et psychom\u00e9triques, la proximit\u00e9 d’int\u00e9r\u00eat entre deux sujets ne r\u00e9side pas dans l’\u00e9galit\u00e9 arithm\u00e9tique absolue de leurs r\u00e9ponses, mais dans l’homologie structurale de leurs profils comportementaux. Deux individus \u00e9valuant une s\u00e9rie d’items sur une \u00e9chelle ordinale peuvent manifester un d\u00e9calage d’ancrage syst\u00e9matique li\u00e9 \u00e0 des styles de r\u00e9ponse contrast\u00e9s (l’un acquies\u00e7ant globalement de fa\u00e7on g\u00e9n\u00e9reuse tandis que l’autre mod\u00e8re ses pointages), tout en partageant une hi\u00e9rarchisation rigoureusement identique de leurs pr\u00e9f\u00e9rences. Dans un tel contexte, les distances g\u00e9om\u00e9triques classiques s’av\u00e8rent inadapt\u00e9es, car elles interpr\u00e8tent ce d\u00e9calage d’\u00e9chelle additif comme une dissemblance substantielle.<\/p>\n La distance bas\u00e9e sur le coefficient de corr\u00e9lation lin\u00e9aire de Pearson pallie cette difficult\u00e9 en mesurant l’affinit\u00e9 morphologique des patterns de r\u00e9ponse. Elle s’obtient g\u00e9n\u00e9ralement en retranchant le coefficient de corr\u00e9lation lin\u00e9aire bivari\u00e9 de la valeur unitaire, sous la forme $d_{\\text{Pearson}}(\\mathbf{x}_i, \\mathbf{x}_j) = 1 – r_{ij}$<\/span>, ou par sa transformation m\u00e9trique normalis\u00e9e $d_{\\text{Pearson_metrique}}(\\mathbf{x}_i, \\mathbf{x}_j) = \\sqrt{2(1 – r_{ij})}$<\/span>. Cette mesure s’annule lorsque deux profils sont strictement proportionnels et covariants, neutralisant ainsi les variations d’ordonn\u00e9e \u00e0 l’origine et les amplitudes globales de r\u00e9ponse pour se concentrer exclusivement sur la dynamique des variations relatives \u00e0 travers les items.<\/p>\n Lorsque les donn\u00e9es empiriques d\u00e9coulent d’\u00e9chelles de Likert ordinales ou violent les pr\u00e9somptions de normalit\u00e9 bivari\u00e9e, la distance bas\u00e9e sur le coefficient de corr\u00e9lation de rangs de Spearman constitue l’alternative non param\u00e9trique id\u00e9ale. Elle s’\u00e9value en convertissant pr\u00e9alablement les valeurs dimensionnelles de chaque individu en rangs internes avant d’appliquer la formulation corr\u00e9lationnelle. D’autre part, la distance cosinus \u00e9value l’angle vectoriel s\u00e9parant deux observations au sein de l’espace multidimensionnel :<\/p>\n $$\\cos(\\theta) = \\frac{\\mathbf{x}_i \\cdot \\mathbf{x}_j}{|\\mathbf{x}_i|_2 |\\mathbf{x}_j|_2}$$<\/span><\/p>\n La distance cosinus, d\u00e9finie par $1 – \\cos(\\theta)$<\/span>, fait abstraction totale de la norme ou de la magnitude vectorielle pour focaliser la quantification de similarit\u00e9 sur l’orientation directionnelle pure. Cette m\u00e9trique trouve un \u00e9cho fondamental dans les analyses textuelles, l’exploration de corpus s\u00e9mantiques psychologiques et le traitement de donn\u00e9es comportementales de haute dimension o\u00f9 la sparsit\u00e9 matricielle est \u00e9lev\u00e9e.<\/p>\n Les protocoles de recherche en sciences humaines et sociales collectent rarement des jeux de donn\u00e9es d’une puret\u00e9 m\u00e9trique unilat\u00e9rale. Les bases de donn\u00e9es agr\u00e8gent couramment des covariables quantitatives continues (\u00e2ge, indices physiologiques), des variables cat\u00e9gorielles nominales polytomiques (appartenance culturelle, statut marital), des variables dichotomiques binaires sym\u00e9triques ou asym\u00e9triques (pr\u00e9sence ou absence de traits nosographiques) et des mesures d’ordre ordinal (degr\u00e9s de s\u00e9v\u00e9rit\u00e9 clinique). L’application directe d’une m\u00e9trique euclidienne sur de tels ensembles hybrides constitue une aberration m\u00e9thodologique d\u00e9truisant la validit\u00e9 de l’analyse.<\/p>\n1.2 Divergences m\u00e9thodologiques entre classification k-means et classification hi\u00e9rarchique<\/h3>\n
1.3 Applications psychologiques et comportementales des m\u00e9thodes de clustering<\/h3>\n
2. Taxonomie algorithmique : approches ascendantes et descendantes<\/h2>\n
2.1 Classification ascendante hi\u00e9rarchique (CAH) : algorithme agglom\u00e9ratif<\/h3>\n
2.2 Classification descendante hi\u00e9rarchique : algorithme divisif<\/h3>\n
2.3 Repr\u00e9sentation conceptuelle du dendrogramme<\/h3>\n
3. Formalisation math\u00e9matique des m\u00e9triques de distance et matrices de dissimilarit\u00e9<\/h2>\n
3.1 Distances g\u00e9om\u00e9triques pour donn\u00e9es continues<\/h3>\n
3.2 Distances corr\u00e9lationnelles et angulaires pour variables psychom\u00e9triques<\/h3>\n
3.3 Dissimilarit\u00e9s mixtes et distance de Gower<\/h3>\n