# Clustering (Partitionnement)

> Tâche d'apprentissage non supervisé consistant à regrouper des objets similaires dans des ensembles.

- Page ZoneIA : https://zoneia.fr/glossaire/clustering-partitionnement
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

Le partitionnement (ou *clustering*) vise à découvrir automatiquement des groupes naturels dans des données, sans étiquettes préexistantes. L’idée est de regrouper les objets « qui se ressemblent » selon des caractéristiques mesurables (variables numériques, embeddings, signaux, etc.), tout en séparant ceux qui sont différents.

## Comment ça fonctionne
La plupart des méthodes reposent sur une notion de **similarité** ou de **distance** (euclidienne, cosinus, etc.). L’algorithme cherche ensuite une organisation des points qui optimise un critère : minimiser la dispersion à l’intérieur des groupes, maximiser la séparation entre groupes, ou identifier des zones denses. Le résultat dépend fortement du **prétraitement** (normalisation), du choix de **features** et d’hyperparamètres (ex. nombre de groupes).

## Méthodes courantes
- **k-means** : impose *k* groupes, rapide, adapté à des clusters « ronds ».
- **Clustering hiérarchique** : construit un dendrogramme, utile pour explorer plusieurs granularités.
- **DBSCAN / HDBSCAN** : détecte des groupes de densité, gère le bruit et des formes complexes.
- **Gaussian Mixture Models** : clusters probabilistes, utile si les groupes se recouvrent.

## Usages concrets
Segmentation clients, regroupement de documents, détection d’anomalies (points isolés), exploration de données et réduction de complexité via regroupement d’embeddings (NLP, vision).

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/clustering-partitionnement)