```{r setup, include=FALSE} knitr::opts_chunk$set(echo = TRUE, cache = TRUE) ``` # 1. Importer les données ```{r,message=FALSE,warning=FALSE} library(HDclassif) data(crabs) don <- crabs[ , 4:ncol(crabs)] summary(don) ``` # 2 Choix du modèle et du nombre de classes ```{r,message=FALSE,warning=FALSE} library(mclust) res.BIC <- mclustBIC(don, verbose = F) plot(res.BIC) summary(res.BIC) ``` # 3. Construction de la classification ```{r} mod <- Mclust(don, x = res.BIC) summary(mod) table(mod$classification) ``` # 4. Caractériser les classes ```{r,message=FALSE,warning=FALSE} don.comp <- cbind.data.frame(don,classe=factor(mod$classification)) ``` ```{r,message=FALSE,warning=FALSE} library(FactoMineR) catdes(don.comp, num.var = 6) ``` # Pour aller plus loin ```{r,message=FALSE,warning=FALSE} load(url("https://r-stat-sc-donnees.github.io/USPS358.Rdata")) ### charge le jeu de données sur votre ordinateur image(matrix(t(X[5,]), ncol = 16)) ``` ```{r} res.hddc <- hddc(X, 3) table(res.hddc$class,cls) adjustedRandIndex(res.hddc$class,cls) ```