Le clustering est une approche destinée à regrouper un ensemble de données en sous-ensembles plus ou moins homogènes, par degré de similarité. Deux grandes familles de clustering existent : le clustering hiérarchique (permettant d’obtenir des clusters éventuellement imbriqués les uns dans les autres) et le clustering non-hiérarchique, aussi appelé partitionnement de données.

Les applications du clustering sont nombreuses. L’une d’entre elles est l’identification de segments parmi les clients d’une entreprise. Cet objectif peut notamment être atteint par les algorithmes basés sur un apprentissage non supervisé. De ce fait, les segments détectés ne sont pas automatiquement rattachés à un nom de classe précis, mais peuvent, suite à une analyse, permettre de voir se distinguer des patterns et cohortes. L’identification de ces segments permet de mener auprès de ces différents segments de clients une action marketing ciblée, plus efficace qu’une action non ciblée.

La librairie C++ FAISS, proposée par Facebook, est dédiée au clustering et à l’analyse de similarités. Mais Scikit-Learn propose également pas moins de 10 méthodes de clustering. La plus répandue étant sans conteste la méthode des K moyens (K-means). Attention, cette méthode nécessite de connaître à l’avance le nombre de clusters à créer, contrairement à la méthode de clustering par propagation d’affinité par exemple.

Choisir une méthode de clustering (source : scikit-learn)

Nom de la méthode	Paramètres	Scalabilité	Cas d’usage	Geométrie (métrique utilisée)
K Moyens	Nombre de clusters	Très grand nombre d’échantillons, nombre de clusters moyen.	Usage général, clusters de taille similaire, géométrie plate, inductive.	Distance entre les points
Propagation d’affinité	facteur d’amortissement, nombre d’exemples utilisés	Méthode complexe ne supportant pas un grand nombre d’échantillons.	Nombreux clusters, taille des clusters asymétrique, géométrie non plate, inductive.	Graphe des plus proches voisins
Mean-Shift	bande passante	Non scalable sur le plan du nombre d’échantillons	Nombreux clusters, taille des clusters inégale, géométrie non plate, inductive.	Distance entre les points
Clustering spectral	nombre de clusters	Nombre d’échantillons moyen, faible nombre de clusters	Quelques clusters de taille similaire, géométrie non plate, transductive	Graphe des plus proches voisins
Clustering hiérarchique de Ward	nombre de clusters ou seuil de distance	Grand nombre d’échantillons et de clusters	Nombreux clusters avec d’éventuelles contraintes de connectivité, transductive	Distance entre les points
Clustering agglomérant	nombre de clusters ou seuil de distance, type de relation, distance	Grand nombre d’échantillons et de clusters	Nombreux clusters avec d’éventuelles contraintes de connectivité, distance non euclidienne, transductive	Toute distance par paire
DBSCAN	taille du voisinage	Très grand nombre d’échantillons, nombre de clusters moyen	géométrie non plate, taille de clusters inégale, transductive	Distance entre les points les plus proches
OPTICS	adhésion minimale au cluster	Très grand nombre d’échantillons, grand nombre de clusters	géométrice non  plate, taille de clusters inégale, densité de clusters variable, transductive	Distance entre les points
Mélanges gaussiens	nombreux	Non scalable	Géométrie plate, bon pour l’estimation de densité, inductive	Distance de Mahalanobis
BIRCH	facteur de branchement, seuil, cluster global facultatif.	Fortement scalable	Grand nombre d’échantillons, suppression des aberrations, réduction de données, inductive	Distance euclidienne entre les points