###### PROJET 2017 ######

#####################################################
######################  Hepta  ######################
#####################################################


### Importation des données ###
hepta = read.table("C:/Users/gesnou_j/Desktop/traitnum/Hepta.lrn", sep = "\t", skip = 4)
### Importation des labels ###
heptaClasse = read.table("C:/Users/gesnou_j/Desktop/traitnum/Hepta.cls", sep = "\t", skip = 1)

### Récupération des labels ###
heptaClasse = heptaClasse[,2]

### Suppression de la première colonne ###
hepta = hepta[2:4]

### Affichage du nuage des individus ###
plot(hepta, col = heptaClasse, main = "Nuage de points")

### CAH ###
distance = dist(hepta, method = "euclidean")

### Lien minimum ###
heptaLienMin = hclust(distance^2, method = "single")
H1 = cutree(heptaLienMin, k = 7)

### Critère de Ward ###
heptaWard = hclust(distance^2, method = "ward.D")
H2 = cutree(heptaWard, k = 7)

### Visualisation des classes ###
par(mfrow = c(2,2))

plot(hepta[,1], hepta[,2], col = H1, main = "CAH - lien minimum")
plot(heptaLienMin)
rect.hclust(heptaLienMin, 7)

plot(hepta[,1], hepta[,2], col = H2, main = "CAH - ward")
plot(heptaWard)
rect.hclust(heptaWard, 7)

### Comparaision des résultats du CAH lien minimum ###
table(H1, heptaClasse)

### Comparaison des résultats du CAH Ward ###
table(H2, heptaClasse)

### K-means ###
data1 = hepta[, c(1, 2, 3)]
km1 = kmeans(data1, 7)

### Affichage k-means ####
plot(hepta, c(1, 2, 3), col = km1$cluster, main = "K-means")

### Affichage des clusters ###
plot(heptaClasse, main = "Clusters")

### Comparaison des résultats obtenus avec K-means ###
table(heptaClasse, km1$cluster)

### Description des classes ###
boxplot(data1, xlab = "Nombre de variables", ylab = "Nombre de classes", main = "Hepta Boxplots")



#####################################################
######################  Tetra  ######################
#####################################################

### Importation des données ###
tetra = read.table("C:/Users/gesnou_j/Desktop/traitnum/Tetra.lrn", sep = "\t", skip = 4)
### Importation des labels ###
tetraClasse = read.table("C:/Users/gesnou_j/Desktop/traitnum/Tetra.cls", sep = "\t", skip = 1)

### Récupération des labels ###
tetraClasse = tetraClasse[,2]

### Suppression de la première colonne ###
tetra = tetra[2:4]

### Affichage du nuage des individus ###
plot(tetra, col = tetraClasse, main = "Nuage de points")

### CAH ###
distance = dist(tetra, method = "euclidean")

### Lien minimum ###
tetraLienMin = hclust(distance^2, method = "single")
T1 = cutree(tetraLienMin, k = 4)

### Critère de Ward ###
tetraWard = hclust(distance^2, method = "ward.D")
T2 = cutree(tetraWard, k = 4)

### Visualisation des classes ###
par(mfrow = c(2,2))

plot(tetra[,1], tetra[,2], col = T1, main = "CAH - lien minimum")
plot(tetraLienMin)
rect.hclust(tetraLienMin, 4)

plot(tetra[,1], tetra[,2], col = T2, main = "CAH - ward")
plot(tetraWard)
rect.hclust(tetraWard, 4)

### Comparaision des résultats du CAH lien minimum ###
table(T1, tetraClasse)

### Comparaison des résultats du CAH Ward ###
table(T2, tetraClasse)

### K-means ###
data1 = tetra[, c(1, 2, 3)]
km1 = kmeans(data1, 4)

### Affichage k-means ####
plot(tetra, c(1, 2, 3), col = km1$cluster, main = "K-means")

### Affichage des clusters ###
plot(tetraClasse, main = "Clusters")

### Comparaison des résultats obtenus avec K-means ###
table(tetraClasse, km1$cluster)

### Description des classes ###
boxplot(data1, xlab = "Nombre de variables", ylab = "Nombre de classes", main = "Hepta Boxplots")


####################################################
######################  Atom  ######################
####################################################

### Importation des données ###
Atom = read.table("C:/Users/gesnou_j/Desktop/traitnum/Atom.lrn", sep = "\t", skip = 4)
### Importation des labels ###
AtomClasse = read.table("C:/Users/gesnou_j/Desktop/traitnum/Atom.cls", sep = "\t", skip = 1)

### Récupération des labels ###
AtomClasse = AtomClasse[,2]

### Suppression de la première colonne ###
Atom = Atom[2:4]

### Affichage du nuage des individus ###
plot(Atom, col = AtomClasse, main = "Nuage de points")

### CAH ###
distance = dist(Atom, method = "euclidean")

### Lien minimum ###
AtomLienMin = hclust(distance^2, method = "single")
A1 = cutree(AtomLienMin, k = 2)

### Critère de Ward ###
AtomWard = hclust(distance^2, method = "ward.D")
A2 = cutree(AtomWard, k = 2)

### Visualisation des classes ###
par(mfrow = c(2,2))

plot(Atom[,1], Atom[,2], col = A1, main = "CAH - lien minimum")
plot(AtomLienMin)
rect.hclust(AtomLienMin, 2)

plot(Atom[,1], Atom[,2], col = A2, main = "CAH - ward")
plot(AtomWard)
rect.hclust(AtomWard, 2)

### Comparaision des résultats du CAH lien minimum ###
table(A1, AtomClasse)

### Comparaison des résultats du CAH Ward ###
table(A2, AtomClasse)

### K-means ###
data1 = Atom[, c(1, 2, 3)]
km1 = kmeans(data1, 2)

### Affichage k-means ####
plot(Atom, c(1, 2, 3), col = km1$cluster, main = "K-means")

### Affichage des clusters ###
plot(AtomClasse, main = "Clusters")

### Comparaison des résultats obtenus avec K-means ###
table(AtomClasse, km1$cluster)

### Description des classes ###
boxplot(data1, xlab = "Nombre de variables", ylab = "Nombre de classes", main = "Hepta Boxplots")


###########################################################
###################### TwoDiamonds ######################
###########################################################

### Importation des données ###
TwoDiamonds = read.table("C:/Users/gesnou_j/Desktop/traitnum/TwoDiamonds.lrn", sep = "\t", skip = 4)
### Importation des labels ###
TwoDiamondsClasse = read.table("C:/Users/gesnou_j/Desktop/traitnum/TwoDiamonds.cls", sep = "\t", skip = 1)

### Récupération des labels ###
TwoDiamondsClasse = TwoDiamondsClasse[,2]

### Suppression de la première colonne ###
TwoDiamonds = TwoDiamonds[,-1]

### Affichage du nuage des individus ###
plot(TwoDiamonds, col = TwoDiamondsClasse, main = "Nuage de points")

### CAH ###
distance = dist(TwoDiamonds, method = "euclidean")

### Lien minimum ###
TwoDiamondsLienMin = hclust(distance^2, method = "single")
TD1 = cutree(TwoDiamondsLienMin, k = 2)

### Critère de Ward ###
TwoDiamondsWard = hclust(distance^2, method = "ward.D")
TD2 = cutree(TwoDiamondsWard, k = 2)

### Visualisation des classes ###
par(mfrow = c(2,2))

plot(TwoDiamonds[,1], TwoDiamonds[,2], col = TD1, main = "CAH - lien minimum")
plot(TwoDiamondsLienMin)
rect.hclust(TwoDiamondsLienMin, 2)

plot(TwoDiamonds[,1], TwoDiamonds[,2], col = TD2, main = "CAH - ward")
plot(TwoDiamondsWard)
rect.hclust(TwoDiamondsWard, 2)

### Comparaision des résultats du CAH lien minimum ###
table(TD1, TwoDiamondsClasse)

### Comparaison des résultats du CAH Ward ###
table(TD2, TwoDiamondsClasse)

### K-means ###
data1 = TwoDiamonds[, c(1, 2)]
km1 = kmeans(data1, 2)

### Affichage k-means ####
plot(TwoDiamonds, c(1, 2), col = km1$cluster, main = "K-means")

### Affichage des clusters ###
plot(TwoDiamondsClasse, main = "Clusters")

### Comparaison des résultats obtenus avec K-means ###
table(TwoDiamondsClasse, km1$cluster)

### Description des classes ###
boxplot(data1, xlab = "Nombre de variables", ylab = "Nombre de classes", main = "Hepta Boxplots")

####################################################
######################  Target  ######################
####################################################

### Importation des données ###
Target = read.table("C:/Users/gesnou_j/Desktop/traitnum/Target.lrn", sep = "\t", skip = 4)
### Importation des labels ###
TargetClasse = read.table("C:/Users/gesnou_j/Desktop/traitnum/Target.cls", sep = "\t", skip = 1)

### Récupération des labels ###
TargetClasse = TargetClasse[,2]

### Suppression de la première colonne ###
Target = Target[,-1]

### Affichage du nuage des individus ###
plot(Target, col = TargetClasse, main = "Nuage de points")

### CAH ###
distance = dist(Target, method = "euclidean")

### Lien minimum ###
TargetLienMin = hclust(distance^2, method = "single")
T1 = cutree(TargetLienMin, k = 6)

### Critère de Ward ###
TargetWard = hclust(distance^2, method = "ward.D")
T2 = cutree(TargetWard, k = 6)

### Visualisation des classes ###
par(mfrow = c(2,2))

plot(Target[,1], Target[,2], col = T1, main = "CAH - lien minimum")
plot(TargetLienMin)
rect.hclust(TargetLienMin, 6)

plot(Target[,1], Target[,2], col = T2, main = "CAH - ward")
plot(TargetWard)
rect.hclust(TargetWard, 6)

### Comparaision des résultats du CAH lien minimum ###
table(T1, TargetClasse)

### Comparaison des résultats du CAH Ward ###
table(T2, TargetClasse)

### K-means ###
data1 = Target[, c(1, 2)]
km1 = kmeans(data1, 6)

### Affichage k-means ####
plot(Target, c(1, 2), col = km1$cluster, main = "K-means")

### Affichage des clusters ###
plot(TargetClasse, main = "Clusters")

### Comparaison des résultats obtenus avec K-means ###
table(TargetClasse, km1$cluster)

### Description des classes ###
boxplot(data1, xlab = "Nombre de variables", ylab = "Nombre de classes", main = "Hepta Boxplots")

####################################################
###################### Lsun ####################
####################################################

### Importation des données ###
Lsun = read.table("C:/Users/gesnou_j/Desktop/traitnum/Lsun.lrn", sep = "\t", skip = 4)
### Importation des labels ###
LsunClasse = read.table("C:/Users/gesnou_j/Desktop/traitnum/Lsun.cls", sep = "\t", skip = 1)

### Récupération des labels ###
LsunClasse= LsunClasse[,2]

### Suppression de la première colonne ###
Lsun = Lsun[,-1]

### Affichage du nuage des individus ###
plot(Lsun, col = LsunClasse, main = "Nuage de points")

### CAH ###
distance = dist(Lsun, method = "euclidean")

### Lien minimum ###
LsunLienMin = hclust(distance^2, method = "single")
L1 = cutree(LsunLienMin, k = 3)

### Critère de Ward ###
LsunWard = hclust(distance^2, method = "ward.D")
L2 = cutree(LsunWard, k = 3)

### Visualisation des classes ###
par(mfrow = c(2,2))

plot(Lsun[,1], Lsun[,2], col = L1, main = "CAH - lien minimum")
plot(LsunLienMin)
rect.hclust(LsunLienMin, 3)

plot(Lsun[,1], Lsun[,2], col = L2, main = "CAH - ward")
plot(LsunWard)
rect.hclust(LsunWard, 3)

### Comparaision des résultats du CAH lien minimum ###
table(L1, LsunClasse)

### Comparaison des résultats du CAH Ward ###
table(L2, LsunClasse)

### K-means ###
data1 = Lsun[, c(1, 2)]
km1 = kmeans(data1, 3)

### Affichage k-means ####
plot(Lsun, c(1, 2), col = km1$cluster, main = "K-means")

### Affichage des clusters ###
plot(LsunClasse, main = "Clusters")

### Comparaison des résultats obtenus avec K-means ###
table(LsunClasse, km1$cluster)

### Description des classes ###
boxplot(data1, xlab = "Nombre de variables", ylab = "Nombre de classes", main = "Hepta Boxplots")