L'optimisation a base de modèles de substitution dans des espaces de dimension croissante est numériquement compliquée, mais de plus en plus en vogue. La réduction de dimension est une solution à ce problème, mais les méthoodes classiques de réduction de dimension cherchent à découvrir les tendances globales de la fonction d'intérêt sur la totalité de l'espace de design. Nous proposons d'utiliser une combinaison d'active subspaces dans des régions de l'espace de design, où leur exploitation des gradients de la fonction d'intérêt est très adaptée à la découverte de tendances locales. Des modèles de substitution sont construits dans ces espaces localement réduits, puis recombinés pour créer un modèle de subsitution global, qui peut être exploité à des fins d'optimisation. Le découpage de l'espace des paramètres est effectué avec un mélange de Gaussiennes, où l'on suppose que la distribution conjointes des entrées et sorties (paramètres de forme et valeur de fonction d'intérêt) suivent un mélange de Gaussiennes. Après classification des points avec ce modèle Gaussian Mixture Model, on propose d'entrainer un classifieur Machine à Support Vecteurs (SVC). Cette méthode fournit une expression analytique de la frontière entre les clusters, à partir de laquelle on peut améliorer la prédiction de notre modèle de substitution à l'aide d'un recouvrement entre les experts locaux. En effet, on définit des zones de recouvrement permettant de réduire le besoin d'extrapoler entre les bases d'entrainement des experts locaux, ce qui apporte un gain de précision par rapport à d'autres méthodes de recombinaison existantes.