K-Means : regrouper par centroïdes

Le principe

K-Means place k centroïdes (des points « moyens »), puis répète deux étapes jusqu’à stabilisation : affecter chaque point au centroïde le plus proche, puis recalculer chaque centroïde comme la moyenne des points qui lui sont affectés. C’est un algorithme itératif simple, mais sensible à l’initialisation — d’où le paramètre n_init, qui relance l’algorithme plusieurs fois depuis des initialisations différentes et garde le meilleur résultat.

Combien de groupes ?

Le nombre de camions disponibles fixe naturellement k : ici, 4 camions, donc 4 zones.

from sklearn.cluster import KMeans

N_CAMIONS = 4
kmeans = KMeans(n_clusters=N_CAMIONS, random_state=42, n_init=10)
labels_kmeans = kmeans.fit_predict(coords_km)

print("Tailles de groupes K-Means:", np.bincount(labels_kmeans))

Tailles de groupes K-Means: [40 35 30 25]

Notez que k n’est pas ici déterminé par une méthode statistique (comme la méthode du coude) : il est imposé par une contrainte opérationnelle externe (le nombre de camions). C’est un cas fréquent en pratique — la métrique d’évaluation doit composer avec la réalité métier, pas l’inverse.

Prochaine étape

👉 CAH : le clustering hiérarchique agglomératif

---

Junior TSAFACK – 12/09/2026