Un modèle de mélange pour la classification croisée d'un tableau de données continues

Contrairement aux methodes de classification automatique habituelles, les methodes de classification croisee traitent l'ensemble des lignes et l'ensemble des colonnes d'un tableau de donnees simultanement en cherchant a obtenir des blocs homogenes. Dans cet article, nous abordons la classification croisee lorsque le tableau de donnees porte sur un ensemble d'individus decrits par des variables quantitatives et, pour tenir compte de cet objectif, nous proposons un modele de melange adapte a la classification croisee conduisant a des criteres originaux permettant de prendre en compte des situations plus complexes que les criteres habituellement utilises dans ce contexte. Les parametres sont alors estimes par un algorithme EM generalise (GEM) maximisant la vraisemblance des donnees observees. Nous proposons en outre une nouvelle expression du critere bayesien de l'information, appelee BIC_B, adaptee a notre situation pour evaluer le nombre de blocs. Des experiences numeriques portant sur des donnees synthetiques permettent d'evaluer les performances de GEM et de BIC_B et de montrer l'interet de cette approche.