CAH : le clustering hiérarchique agglomératif
Une logique différente : fusionner plutôt qu’affecter
Section titled “Une logique différente : fusionner plutôt qu’affecter”La classification ascendante hiérarchique (CAH) part de l’extrême inverse de K-Means : chaque point commence comme son propre groupe, puis l’algorithme fusionne à chaque étape les deux groupes les plus proches, jusqu’à atteindre le nombre de groupes souhaité. Le critère de « proximité entre groupes » (le linkage) a plusieurs variantes ; ward minimise l’augmentation de variance intra-groupe à chaque fusion, un choix courant qui produit des groupes de taille relativement homogène.
from sklearn.cluster import AgglomerativeClustering
cah = AgglomerativeClustering(n_clusters=N_CAMIONS, linkage="ward")labels_cah = cah.fit_predict(coords_km)
print("Tailles de groupes CAH:", np.bincount(labels_cah))Tailles de groupes CAH: [35 40 30 25]Une différence clé : le déterminisme
Section titled “Une différence clé : le déterminisme”Contrairement à K-Means, la CAH ne dépend d’aucune initialisation aléatoire : à données et paramètres identiques, elle produit toujours le même résultat — pas de random_state à fixer, pas de risque de convergence vers un optimum local différent d’une exécution à l’autre.
Prochaine étape
Section titled “Prochaine étape”👉 Comparer et choisir entre K-Means et CAH
Junior TSAFACK – 12/09/2026