Discussion :

[preliator]

Bonjour,

Je dispose d'une base de données qui répertorie des noms de communes, ainsi que des facteurs.

Je souhaiterais créer 4 groupes, avec une homogénéité (distance moyenne des observations au centre de leur classes respective) la plus basse, et une dispersion (distance moyenne des classes entre elles) la plus élevée. Je sais qu'un logiciel de statistique comme Sphinx permet d'extraire ces scores (exemple d'un rendu ici : https://zupimages.net/viewer.php?id=20/36/khlr.png). Mes recherches m'ont permis de sortir un bon début d’algorithme.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
 
library(truncnorm)
library(tidyverse)
 
#Je crée mon dataframe (reproductible)
data = data.frame(nom_commune = paste("commune", 1:700, sep = ''), facteur1 = rtruncnorm(700, a = 0, b = 100, mean = 50, sd = 20), facteur2 = rtruncnorm(n = 700, a = 10, b = 70, mean = 60, sd = 2), facteur3 = rtruncnorm(n = 700, a = 0, b = 100, mean = 20, sd = 5), facteur4 = rtruncnorm(700, a = 0, b = 100, mean = 60, sd = 20))
 
#Je synchronise mon index
rownames(data) = data$nom_commune 
data = data %>% select(-nom_commune )
 
#J'homogénéise l'échelle de mes facteurs
data_cr = scale(data, center = TRUE, scale = TRUE)
 
#Je crée mes groupes
groupes_kmeans = kmeans(data_cr,centers=4,nstart=5)

Est-il possible d'extraire ces score dans R ?
Merci beaucoup.

[faubry]

Les composants withiss et betweenss de l'objet renvoyé par kmeans (ici group_kmeans) devraient répondre à ta question (voir la page d'aide de kmeans).

Quelques remarques de programmation :
- Si tu utilises : data = data %>% select(-nom_commune ), alors reste homogène et écrit : data_cr = data %>% scale(center = TRUE, scale = TRUE) et groupes_kmeans = data_cr %>% kmeans(centers=4,nstart=5). Il n'y a aucune justification pour utiliser une fois une écriture et une autre fois dans le même script une autre écriture. De plus, quand la ligne de commande ne contient qu'un appel à une fonction, l'écriture %>% n'a aucune justification, c'est beaucoup plus lourd et consomme beaucoup plus de ressources en temps et en mémoire.
- Puisque la colonne 'nom_commune' est la première par construction, une écriture beaucoup plus simple, élégante et moins gourmande en ressources est de remplacer l'appel à select par : data <- data[,-1]

[preliator]

Merci pour ta réponse et pour tes conseils

Et comment puis-je optimiser au mieux ces deux valeurs (Minimiser l'homogénéité et maximiser la dispersion) ? J'ai cru comprendre que l’algorithme kmeans prenait la "meilleure" combinaison parmi les "nstart" fois où on lui demande de relancer l’algorithme. Mais sur quels critères se base t-il pour choisir cette "meilleure" combinaison ?

Merci.