Le coude semble se situer vers quatre groupes, la silhouette est un peu meilleure à trois, et certaines partitions changent selon l’initialisation. Comment choisir k ? Il faut comparer plusieurs diagnostics, puis expliciter l’objectif du regroupement. Un score maximal ne transforme pas automatiquement une partition en catégories utiles.
Ce cas complète le guide K-means. Nous allons examiner un nuage artificiel volontairement inégal, calculer les tailles des groupes et mesurer l’accord entre plusieurs exécutions. Télécharger le code, la figure et les cinq tests (ZIP gratuit).
Un nuage où les trois composantes de génération ne sont pas la réponse imposée
Le générateur réunit 450 points dans une composante très allongée, 180 dans une autre plus verticale et 70 dans une petite composante compacte. Les deux coordonnées ont la même unité artificielle ; aucune standardisation n’est appliquée. Les distributions se recouvrent partiellement.
Connaître ces trois composantes de génération aide à comprendre la figure, mais ne force pas K-means à retrouver trois catégories. Son objectif est de réduire les distances aux centroïdes. Il peut couper la composante allongée et réunir des observations proches issues de composantes différentes. Les exemples officiels sur les hypothèses de K-means illustrent les difficultés causées par les formes étirées, variances et tailles inégales.
Quatre lectures complémentaires
- Inertie : somme des distances euclidiennes au carré entre chaque point et son centroïde. Une baisse mesure une meilleure approximation géométrique sur ce nuage.
- Silhouette : compare la proximité d’un point avec son groupe et les groupes voisins. Une valeur plus élevée indique ici une séparation plus favorable selon cette métrique.
- Tailles : rendent visibles les groupes minuscules ou les découpages très déséquilibrés, à interpréter selon l’usage.
- Stabilité entre initialisations : indique si l’optimisation retrouve une partition voisine sur les mêmes observations.
La documentation de la silhouette rappelle qu’elle favorise certaines géométries, notamment les groupes convexes. La stabilité n’évalue pas la validité métier : un découpage discutable peut être retrouvé très régulièrement.
Le protocole de comparaison
Nous testons k=2 à k=7. Pour chaque valeur, dix graines, de 0 à 9, sont utilisées avec n_init=10. Chaque graine bénéficie donc elle-même de dix initialisations. La partition représentative est celle de plus faible inertie parmi ces dix ajustements ; elle sert à calculer la silhouette et les tailles affichées.
Les dix partitions sont ensuite comparées deux à deux, soit 45 paires par valeur de k, avec l’indice de Rand ajusté (ARI). Un ARI égal à 1 désigne des partitions identiques, même si les numéros de groupes ont changé. Nous affichons la moyenne et le minimum, afin qu’un cas instable ne disparaisse pas derrière une seule moyenne.
Il s’agit d’une exploration de 700 points fixés. Nous n’appelons aucun score « performance de test ». Ces répétitions mesurent la sensibilité aux initialisations, pas la stabilité à de nouveaux échantillons, ni la capacité à généraliser.

| k | Inertie | Silhouette | ARI moyen | ARI minimum | Tailles |
|---|---|---|---|---|---|
| 2 | 1 559,5 | 0,567 | 0,997 | 0,983 | 349, 351 |
| 3 | 915,6 | 0,572 | 1,000 | 1,000 | 75, 306, 319 |
| 4 | 490,6 | 0,560 | 0,999 | 0,997 | 74, 139, 243, 244 |
| 5 | 350,8 | 0,519 | 0,945 | 0,822 | 73, 81, 154, 175, 217 |
| 6 | 252,5 | 0,495 | 1,000 | 1,000 | 74, 76, 113, 132, 147, 158 |
| 7 | 196,2 | 0,486 | 0,925 | 0,821 | 48, 73, 101, 102, 109, 119, 148 |
Quelle décision tirer de ce tableau ?
Trois groupes constituent un candidat raisonnable si nous privilégions ici la silhouette et une partition compacte à expliquer. La silhouette de 0,572 reste cependant très proche des 0,567 obtenus à deux groupes : cet écart n’est pas un test de significativité. Les tailles 75/306/319 ne correspondent pas aux trois effectifs du générateur.
Quatre groupes méritent une inspection si la précision géométrique compte davantage : l’inertie baisse d’environ 46,4 % par rapport à trois, avec une silhouette légèrement moins favorable et une forte stabilité. À six groupes, l’ARI vaut aussi 1 malgré une silhouette de 0,495. Cet exemple montre concrètement pourquoi « stable » ne veut pas dire « nombre de groupes optimal ».
À cinq et sept groupes, les minimums d’ARI proches de 0,82 signalent davantage de sensibilité aux initialisations. Augmenter n_init peut aider l’optimisation, mais ne prouve pas que le découpage a un sens. Sur de vraies données, examinez les observations proches des frontières, les profils des groupes et l’action prévue pour chacun.
Code Python complet
Exécuté avec Python 3.12.14, NumPy 2.5.3 et scikit-learn 1.9.1. Le ZIP fournit les dépendances directes, les résultats détaillés par graine et le générateur de la figure.
python -m pip install -r requirements.txt
python kmeans_diagnostic.py
python test_exemple.py
python figure.py
"""Diagnostic exploratoire : inertie, silhouette, tailles et initialisations."""
from itertools import combinations
from pathlib import Path
import json
import numpy as np
from sklearn.cluster import KMeans
from sklearn.metrics import adjusted_rand_score, silhouette_score
def donnees():
rng = np.random.default_rng(42)
a = rng.normal(size=(450, 2)) * [1.8, .28] + [-3, 0]
b = rng.normal(size=(180, 2)) * [.35, .7] + [0, 1]
c = rng.normal(size=(70, 2)) * [.2, .2] + [3, 0]
# Deux coordonnées artificielles dans une même unité ; pas d'échelle ajoutée.
return np.vstack([a, b, c])
def diagnostic(X, candidats=range(2, 8), graines=range(10)):
lignes, modeles = [], {}
for k in candidats:
essais = [KMeans(n_clusters=k, n_init=10, random_state=seed).fit(X) for seed in graines]
meilleur = min(essais, key=lambda m: m.inertia_)
accords = [adjusted_rand_score(a.labels_, b.labels_) for a, b in combinations(essais, 2)]
tailles = np.bincount(meilleur.labels_, minlength=k)
lignes.append({'k': k, 'inertie': float(meilleur.inertia_),
'silhouette': float(silhouette_score(X, meilleur.labels_)),
'tailles': sorted(tailles.tolist()),
'ari_moyen': float(np.mean(accords)), 'ari_min': float(np.min(accords)),
'inerties_graines': [float(m.inertia_) for m in essais]})
modeles[k] = meilleur
for i, ligne in enumerate(lignes):
ligne['gain_inertie'] = None if i == 0 else 1 - ligne['inertie'] / lignes[i-1]['inertie']
return lignes, modeles
if __name__ == '__main__':
lignes, _ = diagnostic(donnees())
resultats = {'donnees': 'synthétiques', 'n': 700, 'graines': list(range(10)),
'n_init_par_graine': 10, 'comparaisons_ari_par_k': 45, 'lignes': lignes}
Path(__file__).with_name('resultats.json').write_text(json.dumps(resultats, indent=2), encoding='utf-8')
for l in lignes:
print(f"k={l['k']} inertie={l['inertie']:.1f} silhouette={l['silhouette']:.3f} "
f"ARI moyen/min={l['ari_moyen']:.3f}/{l['ari_min']:.3f} tailles={l['tailles']}")
Quand faut-il changer la question ?
Si vous cherchez des groupes de densités différentes ou de forme irrégulière, comparez un modèle dont les hypothèses correspondent mieux au problème, par exemple le cas HDBSCAN. Ce choix devra lui aussi être examiné avec ses limites ; le fait qu’une autre méthode existe ne démontre pas sa supériorité sur vos données.
Si l’objectif est seulement de compresser des points autour de quelques représentants, la baisse d’inertie et la taille disponible pour ces représentants peuvent être plus pertinentes qu’une histoire de catégories naturelles. Si l’objectif est prédictif, évaluez l’ensemble du processus sur des observations réservées. Une projection préalable modifie également les distances : le contre-exemple PCA rappelle qu’une représentation compacte peut perdre une information utile.
Les cinq tests de l’archive contrôlent les effectifs, le calcul direct de l’inertie, les centroïdes, l’invariance de l’ARI aux numéros des groupes et un calcul indépendant de silhouette sur un petit exemple. Ils valident les calculs, pas l’existence de catégories réelles.

