Classification des observations
Classification des observations joint pas à pas les observations les plus semblables sur au moins deux variables numériques et présente le résultat sous forme de dendrogramme. Choisissez parmi sept méthodes de liaison et cinq mesures de distance, et standardisez les variables exprimées dans des unités différentes. Ward, Centroid et Median exigent la distance euclidienne ou euclidienne au carré. Saisir un nombre de classes coupe l'arbre et étiquette chaque observation.
Dernière révision
Point clé
Classification des observations est une classification hiérarchique qui regroupe les lignes similaires sur plusieurs variables numériques, sans nombre de groupes connu, et trace un dendrogramme des groupes naturels et lignes atypiques.
Sur cette page
Objectif
Classification des observations regroupe les observations (lignes) qui se ressemblent selon plusieurs variables numériques, sans qu'il soit nécessaire de connaître à l'avance le nombre de groupes. Elle joint pas à pas les observations les plus semblables et présente le résultat sous forme de dendrogramme (arbre), ce qui permet de voir combien de groupes naturels existent et quelles observations vont ensemble. Utilisez-la pour chercher des familles naturelles de lots, de pièces, de fournisseurs ou de séries de production, ou pour repérer une observation qui n'appartient à aucun groupe.
Principales fonctionnalités
- Classification hiérarchique (ascendante) des observations sur au moins deux variables numériques.
- Sept méthodes de liaison : Single, Complete, Average, Centroid, Median, McQuitty et Ward.
- Cinq mesures de distance : Euclidean, Squared Euclidean, Manhattan (City Block), Cosine et Correlation.
- Standardisation facultative pour que les variables exprimées dans des unités différentes comptent de façon égale.
- Dendrogramme de toute la séquence de jonctions, et affectation facultative de chaque observation à une classe lorsque vous indiquez un nombre de classes.
Méthodes statistiques
Les lignes comportant une valeur manquante ou non numérique dans l'une des variables sélectionnées sont écartées ; au moins 3 observations sont nécessaires. Lorsque Standardize variables est cochée, chaque variable est convertie en z = (x − moyenne) / s, avec s l'écart-type de l'échantillon. La distance entre chaque paire d'observations est ensuite calculée avec la mesure choisie : Euclidean √Σ(xᵢ − yᵢ)², Squared Euclidean Σ(xᵢ − yᵢ)², Manhattan Σ|xᵢ − yᵢ|, Cosine 1 − cos(angle entre les deux lignes) ou Correlation 1 − r entre les deux lignes.
La classification commence avec chaque observation comme classe à part entière, puis fusionne à plusieurs reprises les deux classes les plus proches jusqu'à ce qu'il n'en reste qu'une. La méthode de liaison définit comment la distance entre deux classes est mesurée : Single utilise la paire de membres la plus proche, Complete la paire la plus éloignée, Average la moyenne de toutes les distances deux à deux, McQuitty une moyenne pondérée, Centroid la distance entre les centres des classes, Median la distance entre centres non pondérés, et Ward fusionne la paire de classes qui donne la plus faible augmentation de la somme des carrés intra-classe. Ward, Centroid et Median exigent une distance euclidienne ou euclidienne au carré ; l'outil refuse les autres combinaisons.
La hauteur à laquelle deux branches se joignent dans le dendrogramme est la distance entre elles au moment de la fusion ; de longues branches verticales signalent donc des groupes bien séparés. Lorsque Number of clusters est renseigné, l'arbre est coupé au niveau qui donne ce nombre de classes, et chaque observation est étiquetée avec son numéro de classe.
Champs de saisie et options
Champ | Description |
Variables | Deux colonnes numériques ou plus qui décrivent chaque observation. Ctrl ou Command + clic pour en sélectionner plusieurs. |
Linkage method | Comment la distance entre classes est mesurée : Single, Complete, Average (par défaut), Centroid, Median, McQuitty ou Ward. |
Distance measure | Comment la distance entre deux observations est mesurée : Euclidean (par défaut), Squared Euclidean, Manhattan (City Block), Cosine ou Correlation. |
Standardize variables | Cochée par défaut. Ramène d'abord chaque variable à une moyenne de 0 et un écart-type de 1, afin qu'une variable exprimée en grandes unités ne domine pas. |
Number of clusters | Facultatif, 2 ou plus. Coupe l'arbre en ce nombre de classes et ajoute le tableau Cluster Assignments. Laissez vide pour afficher seulement le dendrogramme. |
Title | Titre affiché sur le dendrogramme. Par défaut Cluster Observations. |

Figure 1 — Options de l'exemple : quatre colonnes de propriétés, liaison Ward, distance euclidienne, variables standardisées, 2 classes.
Description des résultats
- Dendrogram — la séquence de jonctions. Les observations (numéros de ligne) sont placées sur l'axe des x dans l'ordre de l'arbre ; l'axe des y (Distance) indique le niveau auquel les branches se joignent.
- Cluster Assignments — affiché lorsque Number of clusters est renseigné : le numéro de ligne de chaque observation et son numéro de classe.
- Export PDF via Download.

Figure 2 — Dendrogramme de 40 lots de matériau avec liaison Ward : deux branches principales se joignent à une distance d'environ 12.1.
Exemple résolu
Un laboratoire de matériaux dispose de 40 lots mesurés selon la densité (g/cc), la dureté (HB), la résistance à la traction (MPa) et l'allongement (%). Sans utiliser l'étiquette Standard ou Premium, le laboratoire veut savoir si les lots forment des groupes naturels. Il sélectionne les quatre colonnes de propriétés, choisit Linkage method = Ward et Distance measure = Euclidean, laisse Standardize variables cochée (la densité en g/cc et la résistance en MPa ne seraient sinon pas comparables) et saisit Number of clusters = 2.
Le dendrogramme montre deux branches principales qui se joignent à une distance de 12.1, bien au-dessus des jonctions suivantes (7.3 et 6.0) : deux groupes constituent donc une coupe naturelle. La classe 1 compte 17 lots plus durs et plus résistants (moyenne 231.6 HB et 1,308 MPa, 19.8 % d'allongement) ; la classe 2 compte 23 lots plus mous et plus ductiles (170.5 HB, 1,103 MPa, 21.7 % d'allongement). Par rapport au type de lot, la classe 1 contient 12 lots Premium et 5 lots Standard, et la classe 2 contient 15 lots Standard et 8 lots Premium : les classes suivent le type pour seulement 27 lots sur 40.
Pour le laboratoire, les propriétés se recoupent beaucoup entre les deux types, et une bonne part des lots Standard sont aussi résistants que les lots Premium. Le choix de la liaison compte : avec la liaison Average, la coupe en deux classes isole un seul lot (ligne 5, 80.1 HB et 822.6 MPa, bien plus mou que les autres) et regroupe les 39 autres, ce qui est un bon moyen de trouver une valeur aberrante plutôt que des groupes. Couper l'arbre de Ward en 3 classes isole un groupe mou de 9 lots (138.2 HB, 995.9 MPa).
Questions fréquentes
Qu'est-ce que la classification hiérarchique des observations ?
Elle commence avec chaque observation comme classe à part entière, puis fusionne à plusieurs reprises les deux classes les plus proches jusqu'à ce qu'il n'en reste qu'une. Le résultat est tracé sous forme de dendrogramme, ce qui permet de voir combien de groupes naturels existent et quelles observations vont ensemble, sans connaître à l'avance le nombre de groupes. Elle peut aussi révéler une observation qui n'appartient à aucun groupe.
Comment lire un dendrogramme ?
Les observations sont placées sur l'axe des x dans l'ordre de l'arbre, et l'axe des y indique la distance à laquelle les branches se joignent. De longues branches verticales signalent des groupes bien séparés. Dans l'exemple résolu, deux branches principales se joignaient à une distance de 12.1, bien au-dessus des jonctions suivantes à 7.3 et 6.0 : deux groupes constituaient donc une coupe naturelle.
Quelle méthode de liaison utiliser ?
L'outil propose Single, Complete, Average, Centroid, Median, McQuitty et Ward. Ward fusionne la paire de classes qui donne la plus faible augmentation de la somme des carrés intra-classe et, comme Centroid et Median, exige une distance euclidienne ou euclidienne au carré. Le choix compte : dans l'exemple, la liaison Average a isolé un seul lot atypique, alors que Ward a trouvé deux groupes.
Faut-il standardiser les variables avant de classer les observations ?
Standardize variables est cochée par défaut et ramène d'abord chaque variable à une moyenne de 0 et un écart-type de 1, afin qu'une variable exprimée en grandes unités ne domine pas. Dans l'exemple, la densité en g/cc et la résistance en MPa n'auraient sinon pas été comparables. Les lignes comportant une valeur manquante ou non numérique sont écartées, et au moins 3 observations sont nécessaires.
