Article Dans Une Revue Archives des Maladies Professionnelles et de L'Environnement Année : 2020

Le clustering pour l’exploration de données hétérogènes en santé au travail

Résumé

Le clustering est un ensemble de techniques d’apprentissage statistique visant à trouver des structures de partitions hétérogènes regroupant des données homogènes appelées clusters. Il existe plusieurs domaines dans lesquels le clustering a été appliqué avec succès, tels que la médecine, la biologie, la finance, l’économie, etc. Dans cet article, nous introduisons la notion de clustering dans les problèmes d’analyse de données multifactorielles. Une étude de cas est menée pour un problème de médecine du travail dans le but d’analyser les tendances dans une population de 813 personnes. Pour réduire la dimensionnalité de l’ensemble de données, nous basons notre approche sur l’analyse en composantes principales (ACP), qui est l’outil statistique le plus couramment utilisé en analyse factorielle. Cependant, les problèmes dans la nature, en particulier en médecine, sont souvent basés sur des mesures qualitatives-quantitatives de type hétérogène, alors que l’ACP ne traite que des mesures quantitatives. En outre, les données qualitatives sont à l’origine des réponses quantitatives non observables qui sont généralement codées en binaire. Nous proposons donc un nouvel ensemble de stratégies permettant de traiter simultanément des données quantitatives et qualitatives. Le principe de cette approche est de réaliser une projection des variables qualitatives sur les sous-espaces couverts par des variables quantitatives. Par la suite, un modèle optimal est attribué aux sous-espaces résultants régressés par l’ACP.

Fichier non déposé

Dates et versions

hal-04974477 , version 1 (03-03-2025)

Identifiants

Citer

Foued Saadaoui, Gil Boudet, Pierre Bertrand, Karine Rouffiac, Frédéric Dutheil, et al.. Le clustering pour l’exploration de données hétérogènes en santé au travail. Archives des Maladies Professionnelles et de L'Environnement, 2020, 81 (5), pp.599. ⟨10.1016/j.admp.2020.03.455⟩. ⟨hal-04974477⟩
41 Consultations
0 Téléchargements

Altmetric

Partager

  • More