Apprentissage non supervisé avec scikit-learn : clustering et réduction de dimension
Apprentissage non supervisé : clustering, réduction de dimension est un cours de niveau intermédiaire de 5 leçons (environ 2 h 50), avec 11 exercices et 15 questions de quiz. Prérequis : Introduction au machine learning (scikit-learn). Les exercices s'exécutent dans le navigateur, sans installation.
- Data science
- Intermédiaire
- 5 leçons
- 2 h 50
- 11 exercices
- Exercices exécutés dans le navigateur
Le cours en bref
Ce cours couvre l'apprentissage non supervisé avec scikit-learn. Vous apprenez à regrouper des observations avec K-means, DBSCAN et le clustering hiérarchique, à choisir le nombre de groupes, puis à réduire la dimension avec l'ACP et à visualiser avec t-SNE. Le cours se termine par une démarche complète de segmentation : construire, décrire, nommer et vérifier des segments exploitables.
Ce que tu sauras faire
- Appliquer K-means correctement (mise à l'échelle, initialisation) et lire ses résultats
- Choisir un nombre de clusters avec la méthode du coude et le score de silhouette
- Utiliser DBSCAN, HDBSCAN et le clustering hiérarchique pour des formes complexes et du bruit
- Réduire la dimension avec l'ACP et interpréter la variance expliquée
- Visualiser des données de grande dimension avec PCA et t-SNE en connaissant leurs limites
- Profiler, nommer et valider la stabilité de segments
Programme des 5 leçons
- Expliquer le fonctionnement de l'algorithme K-means
- Appliquer KMeans et lire labels_, cluster_centers_ et inertia_
- Préparer les données (mise à l'échelle) avant un clustering
- 02
Choisir le nombre de clusters : coude et silhouette
- Tracer et lire la courbe d'inertie (méthode du coude)
- Calculer et interpréter le score de silhouette
- Combiner critères chiffrés et sens métier pour fixer k
Méthode du coudeScore de silhouetteChoix du nombre de clusters
- 03
DBSCAN et clustering hiérarchique
- Utiliser DBSCAN pour trouver des groupes de forme quelconque et du bruit
- Régler eps et min_samples
- Appliquer un clustering hiérarchique agglomératif et choisir le linkage
- 04
Réduire la dimension avec l'ACP (PCA)
- Expliquer ce que calcule une analyse en composantes principales
- Lire la variance expliquée et choisir le nombre de composantes
- Utiliser PCA dans un pipeline avant un modèle
Analyse en composantes principalesVariance expliquéeRéduction de dimension
- 05
Visualiser et interpréter des segments
- Visualiser des données de grande dimension avec PCA et t-SNE
- Construire une chaîne complète standardisation, réduction, clustering
- Décrire et nommer des segments à partir de statistiques par cluster
Projet final
Segmentation de clients d'une boutique en ligne
Générez avec numpy un jeu de données réaliste de 2 000 clients (récence, fréquence, montant, nombre de catégories achetées, taux de retour, ancienneté), en simulant plusieurs profils de comportement et quelques clients atypiques. Construisez une segmentation complète : préparation et standardisation, ACP pour l'exploration, comparaison de K-means (plusieurs k) et d'une méthode par densité, choix argumenté du nombre de segments, profil et nom de chaque segment, test de stabilité et recommandation d'une action par segment.
Livrables
- Le script de génération des données et le pipeline de segmentation reproductible
- Les graphiques de choix de k (inertie et silhouette) et une projection 2D des segments
- Un tableau de profil des segments (tailles, médianes, écarts standardisés) avec un nom par segment
- Une note de synthèse présentant les segments, leur stabilité et les actions recommandées
Critères d'évaluation
- Préparation correcte des données (standardisation, traitement des atypiques)
- Choix du nombre de segments justifié par plusieurs critères et par le sens métier
- Profils de segments clairs, chiffrés et interprétables
- Vérification de la stabilité de la segmentation
- Lecture prudente des visualisations (limites de t-SNE)
Questions fréquentes
À quoi sert l'apprentissage non supervisé ?
Il sert à découvrir une structure dans des données sans variable cible : regrouper des clients similaires, détecter des comportements atypiques, résumer de nombreuses variables en quelques axes ou visualiser des données de grande dimension.
Comment choisir le nombre de clusters ?
On combine des critères chiffrés, comme la méthode du coude sur l'inertie et le score de silhouette, avec l'interprétabilité des groupes. Le cours montre comment comparer plusieurs valeurs de k puis décrire les segments candidats.
Quelle différence entre ACP et t-SNE ?
L'ACP est une projection linéaire qui conserve la variance et peut transformer de nouvelles données ; elle sert à compresser ou prétraiter. t-SNE est une méthode non linéaire de visualisation qui préserve les voisinages locaux, mais ne permet pas d'interpréter les distances globales ni de transformer de nouvelles données.
Faut-il standardiser les données avant un clustering ?
Oui, dès que les variables ont des unités ou des échelles différentes. K-means, DBSCAN, le clustering hiérarchique et l'ACP reposent sur des distances ou des variances, dominées sinon par les variables de grande échelle.
Ce cours, raconté pour ton métier
Dis ce que tu veux savoir faire : « Apprentissage non supervisé : clustering, réduction de dimension » prend sa place dans ton parcours, avec des exemples de ton secteur. Les notions restent celles du cours.