Chapitre I : Généralités et méthodes d’étude
20
anglais). Ces algorithmes de classification, donnent différents dendrogrammes (de formes différentes)
: la méthode du lien simple conduit en général à des arbres très aplatis. La méthode du lien complet a
au contraire tendance à former des arbres très éclatés. Rappelons-nous que la classification est une
procédure heuristique, pas un test statistique. La sélection d'un algorithme de classification appropriée
est cruciale. Cela souligne l'importance de choisir une méthode qui est compatible avec les objectifs
de l'analyse (Legendre et Legendre., 1998). De ce fait, une fois les différents dendrogrammes sont
établis, il sera demandé d’identifier celui qui représente le plus fidèlement possible les différences
entre objets établies dans la matrice de ressemblance initiale D.
En vue de ne retenir qu’une classification pour la suite des analyses et des résultats, il convient de
comparer la matrice de distance initiale D à chaque matrice ultramétrique U fournie par chaque
classification (matrice cophénétique des distances entre espèces sur le dendrogramme). Ceci permettra
d’identifier quel matrice U est la plus proche de D, autrement dit quelle classification représente le
plus fidèlement possible les différences entre espèces établies dans la matrice de distance initiale D.
L’approche du coefficient de corrélation cophénétique (c) basé sur la corrélation de Pearson entre les
distances ultramétriques uij de chaque U et les distances dij de la matrice D initiale (Legendre et
Legendre, 1998) est actuellement le plus couramment utilisé pour évaluer la fidélité du
dendrogramme (dendrogramme qui préserve le plus fidèlement la matrice de dissimilarité initiale D).
Legendre et Legendre (1998) mentionnent que la corrélation cophénétique dépend fortement de la
méthode de classification utilisée, de manière indépendante des données. Pour illustrer la relation
entre une matrice de distance et un ensemble de matrices cophénétique obtenus à partir de différentes
méthodes, on peut dessiner des diagrammes Shepard-like (matrix-plot) en reportant les distances
originales contre les distances cophénétique. Cependant, on sait que ce coefficient de corrélation (c)
n'est pas toujours une mesure fiable de la distorsion générée par des algorithmes (Mérigot et al.,
2010). Ces derniers auteurs, ont soulevé trois critiques sur la fiabilité de l'information donnée par cette
mesure : ( i ) il est seulement une mesure de l'intensité de la relation linéaire entre D et U ; (ii) il est
sensible aux valeurs extrêmes ; et ( iii ) s’il est proche de 1, cela indique une correspondance parfaite
entre D et U, alors que la relation entre les deux matrices peuvent être faible. Afin de trouver
l'algorithme approprié à une classification. Mérigot et al. (2010) a introduit une mesure de la qualité
de l'ajustement sur la base de la plus grande valeur singulière de la matrice de D-U, appelée la mesure
de la norme 2.
Dans ce présent travail, cette analyse a été menée sur les matrices d’indice de répartition (Fr, Dn, Dw)
par espèces de la faune benthique associée à S.blainvillei dans le bassin algérien pour identifier les
espèces les plus caractéristiques à celui-ci. La méthodologie suivie pour la création et l'évaluation des
dendrogrammes est résumé étape par étape dans la figure I.4.
20
anglais). Ces algorithmes de classification, donnent différents dendrogrammes (de formes différentes)
: la méthode du lien simple conduit en général à des arbres très aplatis. La méthode du lien complet a
au contraire tendance à former des arbres très éclatés. Rappelons-nous que la classification est une
procédure heuristique, pas un test statistique. La sélection d'un algorithme de classification appropriée
est cruciale. Cela souligne l'importance de choisir une méthode qui est compatible avec les objectifs
de l'analyse (Legendre et Legendre., 1998). De ce fait, une fois les différents dendrogrammes sont
établis, il sera demandé d’identifier celui qui représente le plus fidèlement possible les différences
entre objets établies dans la matrice de ressemblance initiale D.
En vue de ne retenir qu’une classification pour la suite des analyses et des résultats, il convient de
comparer la matrice de distance initiale D à chaque matrice ultramétrique U fournie par chaque
classification (matrice cophénétique des distances entre espèces sur le dendrogramme). Ceci permettra
d’identifier quel matrice U est la plus proche de D, autrement dit quelle classification représente le
plus fidèlement possible les différences entre espèces établies dans la matrice de distance initiale D.
L’approche du coefficient de corrélation cophénétique (c) basé sur la corrélation de Pearson entre les
distances ultramétriques uij de chaque U et les distances dij de la matrice D initiale (Legendre et
Legendre, 1998) est actuellement le plus couramment utilisé pour évaluer la fidélité du
dendrogramme (dendrogramme qui préserve le plus fidèlement la matrice de dissimilarité initiale D).
Legendre et Legendre (1998) mentionnent que la corrélation cophénétique dépend fortement de la
méthode de classification utilisée, de manière indépendante des données. Pour illustrer la relation
entre une matrice de distance et un ensemble de matrices cophénétique obtenus à partir de différentes
méthodes, on peut dessiner des diagrammes Shepard-like (matrix-plot) en reportant les distances
originales contre les distances cophénétique. Cependant, on sait que ce coefficient de corrélation (c)
n'est pas toujours une mesure fiable de la distorsion générée par des algorithmes (Mérigot et al.,
2010). Ces derniers auteurs, ont soulevé trois critiques sur la fiabilité de l'information donnée par cette
mesure : ( i ) il est seulement une mesure de l'intensité de la relation linéaire entre D et U ; (ii) il est
sensible aux valeurs extrêmes ; et ( iii ) s’il est proche de 1, cela indique une correspondance parfaite
entre D et U, alors que la relation entre les deux matrices peuvent être faible. Afin de trouver
l'algorithme approprié à une classification. Mérigot et al. (2010) a introduit une mesure de la qualité
de l'ajustement sur la base de la plus grande valeur singulière de la matrice de D-U, appelée la mesure
de la norme 2.
Dans ce présent travail, cette analyse a été menée sur les matrices d’indice de répartition (Fr, Dn, Dw)
par espèces de la faune benthique associée à S.blainvillei dans le bassin algérien pour identifier les
espèces les plus caractéristiques à celui-ci. La méthodologie suivie pour la création et l'évaluation des
dendrogrammes est résumé étape par étape dans la figure I.4.