Réponse rapide
Choisir le nombre de groupes dans un clustering de données robotiques combine structure mesurée, stabilité, connaissance du système et utilité de l’usage. On compare plusieurs valeurs, initialisations et périodes, puis on vérifie si les groupes restent interprétables et séparés dans de nouvelles données. Aucun indice unique ne remplace l’examen des cas réels.
Comparer cohésion et séparation
Distance, densité, silhouette, stabilité et taille des groupes sont calculées avec une normalisation justifiée. Les valeurs extrêmes et variables dominantes sont signalées. Un groupe minuscule peut être un défaut, une situation rare ou un artefact.
Relier groupes et états observables
Échantillons de chaque groupe sont revus avec mesures, trajectoires et contexte de mission. Les transitions et répétitions testent la robustesse temporelle. Le nombre choisi sert l’analyse et peut rester différent d’un découpage physique.
Ne pas choisir le nombre qui produit le récit le plus commode
Ajouter des groupes peut isoler le bruit ; en retirer peut cacher un défaut rare. Le choix, ses alternatives et ses limites sont conservés. Une nouvelle mission doit pouvoir contredire l’hypothèse.
Sources et références
- [1] Unsupervised learning — scikit-learn — scikit-learn