Voici des données qui décrivent des voitures.

data(mtcars) ; View(mtcars)

La question se pose : est-ce que les voitures suivent toutes les mêmes règles où est-ce que je distingue des catégories de voitures ?

Je vais mesurer la distance entre toutes les voitures puis (ligne marquée d'un #) je vais inverser ma distance pour traduire plutôt la proximité entre les voitures que la distance. Je me retrouve ainsi avec une matrice mymat qui traduit la proximité entre les véhicule de 0 à 1.

matrice <- as.matrix(scale(mtcars))

rownames(matrice) <- rownames(mtcars)

mydi = dist(matrice,upper=TRUE,diag=TRUE,method="euclidean")

mymat <- as.matrix(mydi)

mymat <- abs(( mymat - max(mymat) ) / max(mymat) )

colnames(mymat) <-rownames(mtcars)

rownames(mymat) <- rownames(mtcars)

summary(as.vector(mymat))

require(igraph)

net <- graph_from_adjacency_matrix(mymat, weighted=T,mode="lower")

net <- simplify(net, remove.multiple = T, remove.loops = TRUE) # élaguer les liens redondants

net <- delete.edges(net, E(net)[ abs(E(net)$weight) < 0.51]) # Ne pas tenir compte des proximités insuffisantes (seuil arbitraire de 0,51)

E(net)$colour <- "red"

E(net)$weight <- abs(E(net)$weight)

# Clusterisation

clp <- cluster_optimal(net)

class(clp)

l <- layout_with_fr(net)

# Affichage

plot(clp, net, layout = l,vertex.size=sqrt(betweenness(net))*4+10,vertex.color="yellow",

arrow.mode=0,edge.width=((E(net)$weight)*2)^2,

edge.color =E(net)$colour,edge.arrow.size=0)

On voit ainsi 3 catégories de voitures ressortir. La Maserati Bora semble bien à part.