Visit https://ebookultra.

com to download the full version and

explore more ebooks

Cluster Analysis and Data Mining An Introduction

King

_____ Click the link below to download _____

https://ebookultra.com/download/cluster-analysis-and-
data-mining-an-introduction-king/

Explore and download more ebooks at ebookultra.com

Here are some suggested products you might be interested in.
Click the link to download

Discovering Knowledge in Data An Introduction to Data

Mining 1st Edition Daniel T. Larose

https://ebookultra.com/download/discovering-knowledge-in-data-an-
introduction-to-data-mining-1st-edition-daniel-t-larose/

Qualitative Data Analysis An Introduction 2nd Edition

Carol Grbich

https://ebookultra.com/download/qualitative-data-analysis-an-
introduction-2nd-edition-carol-grbich/

An Introduction to Statistical Genetic Data Analysis

Melinda C. Mills

https://ebookultra.com/download/an-introduction-to-statistical-
genetic-data-analysis-melinda-c-mills/

Data Mining for Genomics and Proteomics Analysis of Gene

and Protein Expression Data Wiley Series on Methods and
Applications in Data Mining 1st Edition D. M. Dziuda
https://ebookultra.com/download/data-mining-for-genomics-and-
proteomics-analysis-of-gene-and-protein-expression-data-wiley-series-
on-methods-and-applications-in-data-mining-1st-edition-d-m-dziuda/
Handbook of Statistical Analysis and Data Mining
Applications 1st Edition Robert Nisbet

https://ebookultra.com/download/handbook-of-statistical-analysis-and-
data-mining-applications-1st-edition-robert-nisbet/

Introduction To Data Mining Instructors Solution Manual

1st ed. Edition Tan

https://ebookultra.com/download/introduction-to-data-mining-
instructors-solution-manual-1st-ed-edition-tan/

Making Sense of Data I A Practical Guide to Exploratory

Data Analysis and Data Mining 2nd Edition Glenn J. Myatt

https://ebookultra.com/download/making-sense-of-data-i-a-practical-
guide-to-exploratory-data-analysis-and-data-mining-2nd-edition-glenn-
j-myatt/

Data Mining and Data Warehousing 1st Edition S.K. Mourya

https://ebookultra.com/download/data-mining-and-data-warehousing-1st-
edition-s-k-mourya/

Statistical and Machine Learning Data Mining Techniques

for Better Predictive Modeling and Analysis of Big Data
Second Edition Bruce Ratner
https://ebookultra.com/download/statistical-and-machine-learning-data-
mining-techniques-for-better-predictive-modeling-and-analysis-of-big-
data-second-edition-bruce-ratner/
Cluster Analysis and Data Mining An Introduction King
Digital Instant Download
Author(s): King, Ronald S.
ISBN(s): 9781938549380, 1938549384
Edition: Har/Cdr
File Details: PDF, 4.27 MB
Year: 2014
Language: english
CLUSTER ANALYSIS
AND DATA MINING
 LICENSE, DISCLAIMER OF LIABILITY, AND LIMITED WARRANTY

By purchasing or using this book (the “Work”), you agree that this license grants per-
mission to use the contents contained herein, but does not give you the right of owner-
ship to any of the textual content in the book or ownership to any of the information or
products contained in it. This license does not permit uploading of the Work onto the
Internet or on a network (of any kind) without the written consent of the Publisher. Du-
plication or dissemination of any text, code, simulations, images, etc. contained herein
is limited to and subject to licensing terms for the respective products, and permission
must be obtained from the Publisher or the owner of the content, etc., in order to re-
produce or network any portion of the textual material (in any media) that is contained
in the Work.

MERCURY LEARNING AND INFORMATION (“MLI” or “the Publisher”) and anyone involved
in the creation, writing, or production of the companion disc, accompanying algorithms,
code, or computer programs (“the software”), and any accompanying Web site or soft-
ware of the Work, cannot and do not warrant the performance or results that might be
obtained by using the contents of the Work. The author, developers, and the Publisher
have used their best efforts to insure the accuracy and functionality of the textual mate-
rial and/or programs contained in this package; we, however, make no warranty of any
kind, express or implied, regarding the performance of these contents or programs. The
Work is sold “as is” without warranty (except for defective materials used in manufac-
turing the book or due to faulty workmanship).

The author, developers, and the publisher of any accompanying content, and anyone in-
volved in the composition, production, and manufacturing of this work will not be liable
for damages of any kind arising out of the use of (or the inability to use) the algorithms,
source code, computer programs, or textual material contained in this publication. This
includes, but is not limited to, loss of revenue or profit, or other incidental, physical, or
consequential damages arising out of the use of this Work.

The sole remedy in the event of a claim of any kind is expressly limited to replacement
of the book, and only at the discretion of the Publisher. The use of “implied warranty”
and certain “exclusions” vary from state to state, and might not apply to the purchaser
of this product.
CLUSTER ANALYSIS
AND DATA MINING
An Introduction

R.S. King

MERCURY LEARNING AND INFORMATION

Dulles, Virginia
Boston, Massachusetts
New Delhi
Copyright ©2015 by MERCURY LEARNING AND INFORMATION LLC. All rights reserved.

This publication, portions of it, or any accompanying software may not be reproduced in any
way, stored in a retrieval system of any type, or transmitted by any means, media, electronic dis-
play or mechanical display, including, but not limited to, photocopy, recording, Internet postings,
or scanning, without prior permission in writing from the publisher.

Publisher: David Pallai

MERCURY LEARNING AND INFORMATION
22841 Quicksilver Drive
Dulles, VA 20166
[email protected]
www.merclearning.com
1-800-758-3756

This book is printed on acid-free paper.

R.S. King. Cluster Analysis and Data Mining: An Introduction

ISBN: 978-1-938549-38-0

The publisher recognizes and respects all marks used by companies, manufacturers, and develop-
ers as a means to distinguish their products. All brand names and product names mentioned in
this book are trademarks or service marks of their respective companies. Any omission or misuse
(of any kind) of service marks or trademarks, etc. is not an attempt to infringe on the property
of others.

Library of Congress Control Number: 2014941165

141516321 Printed in the United States of America

Our titles are available for adoption, license, or bulk purchase by institutions, corporations, etc.
Digital versions of this title are available at www.authorcloudware.com. Companion disc files may
be obtained by contacting [email protected]. For additional information, please contact
the Customer Service Dept. at 1-800-758-3756 (toll free).

The sole obligation of MERCURY LEARNING AND INFORMATION to the purchaser is to replace the
disc, based on defective materials or faulty workmanship, but not based on the operation or
functionality of the product.
To the memory of my father, who made it
possible and to LaJuan, the shining light
in my life who survived the process.
CONTENTS

Preface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii
Chapter 1: Introduction to Cluster Analysis . . . . . . . . . . . . . . . . . . . . . 1
1.1 What Is a Cluster? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1
1.2 Capturing the Clusters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5
1.3 Need for Visualizing Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
1.4 The Proximity Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10
1.5 Dendrograms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
1.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13
1.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .14
Chapter 2: Overview of Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1 What Is Data Mining? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .18
2.2 Data Mining Relationship to Knowledge Discovery in Databases . . .19
2.3 The Data Mining Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .22
2.4 Databases and Data Warehousing . . . . . . . . . . . . . . . . . . . . . . . . . . . .22
2.5 Exploratory Data Analysis and Visualization . . . . . . . . . . . . . . . . . . . .23
2.6 Data Mining Algorithms. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24
2.7 Modeling for Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25
viii r Contents

2.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25

2.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25
Chapter 3: Hierarchical Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .27
3.2 Single-Link versus Complete-Link Clustering . . . . . . . . . . . . . . . . . .30
3.3 Agglomerative versus Divisive Clustering . . . . . . . . . . . . . . . . . . . . . .35
3.4 Ward’s Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35
3.5 Graphical Algorithms for Single-Link versus
Complete-Link Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .39
3.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .42
3.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .54
Chapter 4: Partition Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .58
4.2 Iterative Partition Clustering Method . . . . . . . . . . . . . . . . . . . . . . . . .59
4.3 The Initial Partition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .62
4.4 The Search for Poor Fits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .65
4.5 K-Means Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .68
4.5.1 MacQueen’s Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .68
4.5.2 Forgy’s Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .69
4.5.3 Jancey’s Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .69
4.6 Grouping Criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .73
4.7 BIRCH, a Hybrid Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .73
4.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76
4.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .77
Chapter 5: Judgmental Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .82
5.2 Judgmental Analysis Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .83
5.2.1 Capturing R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .85
5.2.2 Grouping to Optimize Judges’ R2 . . . . . . . . . . . . . . . . . . . . . .88
5.2.3 Alternative Method for JAN . . . . . . . . . . . . . . . . . . . . . . . . . .89
5.3 Judgmental Analysis in Research . . . . . . . . . . . . . . . . . . . . . . . . . . . . .91
 Contents r ix

5.4 Example JAN Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .93

5.4.1 Statement of Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .93
5.4.2 Predictor Variables. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .96
5.4.3 Criterion Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .97
5.4.4 Questions Asked. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .98
5.4.5 Method Used for Organizing Data . . . . . . . . . . . . . . . . . . . . .98
5.4.6 Subjects Judged . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .103
5.4.7 Judges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .103
5.4.8 Strategy Used for Obtaining Data. . . . . . . . . . . . . . . . . . . . .103
5.4.9 Checking the Model. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .106
5.4.10 Extract the Equation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .108
5.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .112
5.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .112
Chapter 6: Fuzzy Clustering Models and Applications . . . . . . . . . . 116
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .116
6.2 The Membership Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .121
6.3 Initial Configuration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123
6.4 Merging of Clusters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .124
6.5 Fundamentals of Fuzzy Clustering . . . . . . . . . . . . . . . . . . . . . . . . . .127
6.6 Fuzzy C-Means Clustering. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .129
6.7 Induced Fuzziness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .137
6.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .141
6.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .142
Chapter 7: Classification and Association Rules . . . . . . . . . . . . . . . . 147
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .147
7.2 Defining Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .148
7.3 Decision Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .150
7.4 ID3 Tree Construction Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . .152
7.4.1 Choosing the “Best” Feature. . . . . . . . . . . . . . . . . . . . . . . . .154
7.4.2 Information Gain Algorithm . . . . . . . . . . . . . . . . . . . . . . . . .155
7.4.3 Tree Pruning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .159
x r Contents

7.5 Bayesian Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .161

7.6 Association Rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .166
7.7 Pruning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .169
7.8 Extraction of Association Rules . . . . . . . . . . . . . . . . . . . . . . . . . . . .170
7.9 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .170
7.10 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .172
Chapter 8: Cluster Validity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .179
8.2 Statistical Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .180
8.3 Monte Carlo Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .192
8.4 Indices of Cluster Validity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .213
8.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .219
8.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .219
Chapter 9: Clustering Categorical Data . . . . . . . . . . . . . . . . . . . . . . 229
9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .229
9.2 ROCK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .231
9.3 STIRR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .236
9.4 CACTUS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .241
9.5 CLICK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .246
9.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .254
9.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .254
Chapter 10: Mining Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .258
10.2 Outlier Detection Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .259
10.3 Statistical Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .261
10.4 Outlier Detection by Clustering. . . . . . . . . . . . . . . . . . . . . . . . . . . .265
10.5 Fuzzy Clustering Outlier Detection. . . . . . . . . . . . . . . . . . . . . . . . .270
10.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .271
10.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .271
Chapter 11: Model-based Clustering . . . . . . . . . . . . . . . . . . . . . . . . 275
11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .275
11.2 COBWEB: A Statistical and AI Approach. . . . . . . . . . . . . . . . . . . .276
 Contents r xi

11.3 Mixture Model for Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . .284

11.4 Farley and Raftery Gaussian Mixture Model. . . . . . . . . . . . . . . . . .286
11.5 Estimate the Number of Clusters . . . . . . . . . . . . . . . . . . . . . . . . . .288
11.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .289
11.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .290
Chapter 12: General Issues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .291
12.2 Data Cleansing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .292
12.3 Which Proximity Measure Should Be Used?. . . . . . . . . . . . . . . . . .294
12.4 Identifying and Correcting Outliers. . . . . . . . . . . . . . . . . . . . . . . . .294
12.5 Further Study Recommendations . . . . . . . . . . . . . . . . . . . . . . . . . .296
12.6 Introduction to Neural Networks. . . . . . . . . . . . . . . . . . . . . . . . . . .296
12.7 Interpretation of the Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .305
12.8 Clustering “Correctness”? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .305
12.9 Topical Research Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .308
On the DVD
Appendix A: Clustering Analysis with SPSS
Appendix B: Clustering Analysis with SAS
Appendix C: Neymann-Scott Cluster Generator
Program Listing
Appendix D: Jancey’s Clustering Program Listing
Appendix E: JAN Program
Appendix F: UCI Machine Learning Depository KD
Nuggets Data Sets
Appendix G: Free Statistics Software (Calculator)
Appendix H: Solutions to Odd Exercises
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
PREFACE

T
his book is appropriate for a first course in clustering methods and
data mining. Clustering and data mining methods are applicable in
many fields of study, for example:

1. in the life sciences for developing complete taxonomies,

2. in the medical sciences for discovering more effective and economical
means for making positive diagnosis in the treatment of patients,
3. in the behavioral and social sciences for discerning human judgments
and behavior patterns,
4. in the earth sciences for identifying and classifying geographical regions,
5. in the engineering sciences for pattern recognition and artificial
intelligence applications, and
6. in decision and information sciences for analysis of markets and
documents.

The first five chapters consider early historical clustering methods.

Chapters 1 and 2 are an introduction to general concepts in clustering
methods, with an emphasis on proximity measures and data mining. Classi-
cal numerical clustering methods are presented in Chapters 3 and 4: hier-
archical and partitioned clustering. These methods are particularly defined
xiv r Preface

only on numeric data files. A clustering method implemented via multiple

linear regression, judgmental analysis (JAN), is discussed in Chapter 5. JAN
allows for numerical and categorical variables to be included in a clustering
study.
All of the methods in Chapters 1 through 5 generate partitions on a
study’s data file, referred to as crisp clustering results. Fuzzy clustering
methods presented in Chapter 6, capture partitions plus modified versions
for the partitions. The modified partitions allow for overlapping clusters.
Chapter 7 is an introduction to the data mining topics of classification
and association rules, which enable qualitative rather than simply quantita-
tive data mining studies to be conducted.
Cluster analysis is essentially an art, but can be accomplished scientifi-
cally if the results of a clustering study can be validated. This is discussed
in Chapter 8. Determination of the validity of individual clusters and the
validation of a clustering, or collection of clusters, are discussed.
Chapter 9 surveys a variety of algorithms for clustering categorical data:
ROCK, STIRR, CACTUS, and CLICK. These methods are dependent on
underlying data structures and are applicable to relational databases.
Applications of clustering methods are presented in Chapters 10
through 11. Chapter ten discusses classical statistical methods for identify-
ing outliers. Additionally, crisp and fuzzy clustering methods are applied
to the outlier identification problem. Chapter 11 is an overview of model-
based clustering. This is often used in physical science research studies for
data generation.
A summary of the issues and trends in the cluster analysis field is made
in Chapter 12. Besides giving recommendations for further study, an intro-
duction to neural networks is presented. The appendices provide a variety
of resources (software, URLs, algorithms, references) for the cluster analy-
sis plus URLs for test data files.
The text is applicable to either a course on clustering, data mining, and
classification or as a companion text for a first class in applied statistics.
Clustering and data mining are good motivators and applications of the top-
ics commonly included in an introductory applied statistics course.
 Preface r xv

The scheduling references for each of the chapters, in an applied statis-

tics class, could be as follows:

Chapters 1-4: after study of descriptive statistics.

Chapter 9: immediately following Chapters 1-3.
Chapter 6: after study of descriptive statistics.
Chapter 10: after studying the Empirical Rule and Chebychev’s Law.
Chapter 7: after studying probability.
Chapter 8: after study of hypothesis testing.
Chapter 5: after study of correlation, and both linear and multiple linear
regression.
Chapter 11: after study of statistical inference.

No previous experience or background in clustering is assumed. El-

ementary statistics plus a brief exposure to data structures are the prereq-
uisites. Informal algorithms for clustering data and interpreting results are
emphasized. In order to evaluate the results of clustering and to explore
data, graphical methods and data structures are used for representing data.
Throughout the text, examples and references are provided, in order to en-
able the material to be comprehensible for a diverse audience.
 CHAPTER

1
INTRODUCTION TO
CLUSTER ANALYSIS
In This Chapter
1.1 What Is a Cluster?
1.2 Capturing the Clusters
1.3 Need for Visualizing Data
1.4 The Proximity Matrix
1.5 Dendrograms
1.6 Summary
1.7 Exercises

1.1 WHAT IS A CLUSTER?

Many of the decisions being made today involve more than one person.
An important question in the group decision process is: “How does the
group arrive at its final decision?” There have been a number of different
mathematical and statistical approaches used by researchers attempting to
model the decision-making process including game theory, information the-
ory, and linear programming. Due to the large variety of decision-making
situations, different types of decision processes, and the kinds of skills re-
quired, there is still a great deal of concern about the best way to make
decisions. In many cases there is no objective approach. The individuals in
the decision-making group each use their own set of criterion in reaching
a decision. This approach might work in a situation where a consensus is
2 r Cluster Analysis and Data Mining

not needed. However, in the case where a single group decision is needed,
there must be a “meeting of the minds.”
One approach used is the Delphi Technique. This technique was designed
in the early 1950s by the Rand Corporation to predict future outcomes. It is
a group information gathering process to develop consensus opinion from a
panel of experts on a topic of interest. In the normal Delphi scenario, the pan-
el never meets face to face but interacts through questionnaires and feedback.
This noncontact approach alleviates the worry over such issues as individual
defensiveness or persuasiveness. However, opinions can be swayed due to a
participant observing the responses of the rest of the panel. Another problem
with the Delphi Technique is that the noncontact aspect is not feasible when,
for example, the panel is the graduate admissions committee at a university.
Cluster analysis is another technique that has been used with success
in the decision-making process. First, the investigator must determine the
answer to “What is a cluster?” The premise in cluster analysis is: given
a number of individuals, each of which is described by a set of numeri-
cal measures, devise a classification scheme for grouping the objects into a
number of classes such that the objects within classes are similar in some
respect and unlike those from other classes. These deduced classes are the
clusters. The number of classes and the characteristics of each class must
be determined from the data as discussed by Everett.1
The key difference between cluster analysis and the Delphi Technique
is that cluster analysis is strictly an objective technique. Whereas individual
decisions can be swayed in an attempt to reach consensus in the Delphi
process, or a “happy medium” is reached which does not really portray the
feelings of the group as a whole. This is not the case in cluster analysis.
Clusters of individuals are reached using an objective mathematical func-
tion. One particular type of cluster analysis called Judgmental ANalysis
(JAN) takes the process one step further. Not only does it classify the panel
into similar groups based on a related regression equation, but it also allows
for these equations to be combined into a single policy equation. The JAN
technique has been in use since the 1960s. It has proven to be an effective
first step for methods of capturing and clustering the policies of judges.
Attempts at classification, that is sorting similar things into categories,
can be traced back to primitive humans. The ability to classify is a necessary
prerequisite for the development of language. Nouns, for example, are labels

1
Everitt, B. S. (1980). Cluster analysis (2nd ed.). New York: Halsted Press.
 Introduction to Cluster Analysis r 3

used to classify a particular group of objects. Saying that a particular four-

legged animal is a “dog” allows us to put that animal into a category separate
from cats, sheep, and horses. In other words, it allows us to communicate.
The classification of people and animals is almost as old as language. The
early Hindus categorized humans into six types based on sex, physical, and
behavioral characteristics. The early Greeks and Romans used classification
to get a better understanding of the world around them. Galen, A.D. 129-199,
defined nine temperamental types that were assumed to be related to a per-
son’s susceptibility to various diseases and to individual differences in behav-
ior as discussed by Everitt.1 Development of a method to categorize animals
into species was initiated by Aristotle. He started by dividing them into red
blooded (vertebrates) and those not having red blood (invertebrates). He
then subdivided the two groups again based on how their young were born.
Theophrastus continued Aristotle’s work, providing the groundwork for bio-
logical research for centuries. Eventually, new taxonomic systems were de-
veloped by such people as Linnaeus, Lindley, and Darwin. Classification
was not restricted to the biological sciences. In chemistry, Mendeleyev used
classification to develop the periodic tables, discussion by Everitt.1
In the 1960s, two events led to an explosion of interest in cluster analy-
sis. The availability and spread of large, high-speed computers opened up
new possibilities for researchers. Additionally, the publication of Principles
of Numerical Taxonomy by Sokal and Sneath2 covered the following three
important areas:

1. a number of different cluster analysis techniques

2. the use of computers in classification research
3. a radically empirical approach to biological taxonomy presented by
Blashfield and Aldenderfer3

The need for cluster analysis arises in many fields of study. For example,
Anderberg4 lists six areas where cluster analysis has been used successfully:

1. In the life sciences (biology, botany, zoology, etc.), the objects of

analysis are life forms such as plants, animals, and insects. The

2
Sokal, R. R., and Sneath, P. H. A. (1963). Principles of Numerical Taxonomy. W. H. Freeman.
3
Blashfield and Aldenderfer, M. S. (1978). The literature on cluster analysis. Multivariate
Behavioral Research, 13, 271-295.
4
Anderberg, M. R. (1973). Cluster analysis for applications. New York: Academic Press.
4 r Cluster Analysis and Data Mining

operational purpose of the analysis may range from developing com-

plete taxonomies to delimiting the subspecies of a distinct but varied
species.
2. In the medical sciences (psychiatry, pathology, etc.), the objects of a
cluster analysis may be diseases, patients, symptoms, and laboratory
tests. The operational emphasis here is on discovering more effective
and economical means for making positive diagnosis in the treatment
of patients.
3. In the behavioral and social sciences (psychology, sociology, education,
etc.), some of the wide variety of objects of analysis are training meth-
ods, behavior patterns, organizations, human judgments, families, and
teaching techniques.
4. Applications of cluster analysis in the earth sciences (geology, geogra-
phy, etc.) have included the study of land and rock formations, soils,
river systems, cities, and regions of the world.
5. Examples of entities that have been clustered in the engineering
sciences (pattern recognition, artificial intelligence, cybernetics, electri-
cal engineering, etc.) include handwritten characters, speech, finger-
prints, electrocardiograms, radar signals, and circuit designs.
6. In the area of information and decision sciences (information retrieval,
political science, economics, marketing research, operational research,
etc.), cluster analysis has been applied to the analysis of documents,
markets, investments, and credit risks.

As can be seen, the areas in which cluster analysis has been used with
success are large and varied. It is also interesting to note some of the other
names for cluster analysis in these different fields. Some of the aliases men-
tioned by Anderberg3 are numerical taxonomy (biology, botany, ecology),
typology (social sciences), learning without a leader (pattern recognition,
cybernetics, electrical engineering), clumping (information retrieval, lin-
guistics), regionalization (geography), partition (graph theory, circuit de-
signers), and serration (anthropology). The reasons for clustering are as
many and as varied as the fields and names. Everitt1 mentions seven pos-
sible uses of clustering techniques including data reduction, data explora-
tion, hypothesis generating, hypothesis testing, model fitting, and predic-
tion based on groups, and finding a true typology.
 Introduction to Cluster Analysis r 5

1.2 CAPTURING THE CLUSTERS

Cluster analysis employs a measure of similarity or dissimilarity for as-
signing points in space to a cluster. In general terms, points exist in a space
(which could be a plane, the surface of a sphere, three-dimensional space,
etc.) that relate to the concept of distance that matches geometrical intu-
ition. Formally, the operational definition of this type of distance is: a prox-
imity measure in space M = {A, d} consists of a nonempty set A together
with a distance function d: A × A → R2 which satisfies:

1. d(x, y) ≥ 0; d(x, y) = 0 if and only if x = y

That is, the distance between two distinct points is strictly positive.
2. d(x, y) = d(y, x) for all x, y in A
The distance from x to y is equal to the distance from y to x.
3. (a) for a dissimilarity d(i,i) = 0, for all i
The distance between a point and itself is zero, or
points aren’t different from themselves.
(b) for a similarity d(i,i) ≥ maxk d(i, k) for all i
The points are most similar to themselves.

So, what does this actually mean? First, there must exist a nonempty set
A, basically a collection of one or more points. Given a distance function, d,
which can be used to determine the distance between any two points of A,
d, must also follow certain rules.
The first rule states that one cannot have a negative distance and the
distance between two points can only be zero if the two points are, in fact,
in exactly the same place. The second rule states that the distance between
two points must be the same for whichever direction is measured, going
from x to y covers the same distance as going from y to x. Finally, measure-
ment is either based upon similarity or dissimilarity between points.
Let M = {A, d} be the space being studied, let a be in A, and let ε > 0.
The ε-neighborhood of a in M is defined to be:
Nε(a) = {x in A | d(x, a) < ε}
That is, the collection of points x in A within distance ε of a.
6 r Cluster Analysis and Data Mining

It is worth emphasizing that Nε(a) does not include the boundary. It

consists only of the interior of the “neighborhood.” If the boundary is in-
cluded, the neighborhood is called a closed neighborhood.
In R2 (the plane), Nε(a) is the interior of a disc of radius ε centered on a.
In R3 (three-dimensional space), Nε(a) is the interior of a solid ball of
radius ε centered on a.
The previous two examples have all used the Euclidean metric, that is,
our intuitive notion of distance:

(
d1 = d(i, k) = ∑ j =1 xij − xkj
number of features.
d
)
2 1\2
, in two-dimensional space and d is the

In R2, using the Minkowski measure,

d2 = d(i, k) = (∑ d
j =1
xij − xkj )
r 1\ r
, where d is the number of features, n
is the number of patterns, and r = 2 is the dimension of the space, Nε(a) is
the interior of a square centered on a, with sides of length 2ε parallel to the
co-ordinate axes.
The “sup” distance,
d3 = d(i, k) = maxi ≤ j ≤ d xij − xkj , where d is the number of patterns,
generates diamond shaped ε-neighborhoods.
Clusters are captured by attempting to find nonoverlapping
ε-neighborhoods using the given proximity. The goal is to group objects in
a group (or related) to one another and different from (or unrelated to) the
objects in other groups. The greater the similarity (or homogeneity) within
a group, and the greater the difference between groups, the finer granular-
ity is present in the clustering.
y Other commonly used proximity
measures include:

City-block (Manhattan) distance.

d1
This distance is simply the average
d2 difference across dimensions. In most
x
d3 cases, this distance measure yields
results similar to the simple Euclid-
ean distance. The city-block distance
is: distance (x,y) = ∑ i yi − xi
FIGURE 1.1 Example ε-Neighborhoods.
 Introduction to Cluster Analysis r 7

Chebychev distance. This distance measure may be appropriate in

cases when defining two objects as “different” if they are different on
any one of the dimensions. The Chebychev distance is computed as:
distance (x,y) = Maximum |xi – yi|
Power distance. Sometimes the emphasis is to increase or decrease the
progressive weight that is placed on dimensions for different objects.
This can be accomplished via the power distance. The power distance is
∑ (x −y )
p 1/ r
computed as: distance (x,y) = i i i , where r and p are user-
defined parameters. Parameter p controls the progressive weight that
is placed on differences on individual dimensions, parameter r controls
the progressive weight that is placed on larger differences between
objects. If r and p are equal to two, then this distance is equal to the
Euclidean distance.
Percent disagreement. This measure is particularly useful if the data
for the dimensions included in the analysis are categorical in nature.
This distance is computed as: distance (x,y) = (Number of xi ≠ yi)/ i

Consider the following set of points in two-dimensional Euclidean

space:

FIGURE 1.2 Points in Two-dimensional Euclidian

Space.
8 r Cluster Analysis and Data Mining

Three groups would be identified with Euclidian neighborhoods.

FIGURE 1.3 Three Groups Captured by Euclid-

ean Neighborhoods.

Several primary questions need to be investigated when capturing the

clusters. These questions include:

1. “How many clusters are present?” Consider the following situation:

(a) (b) (c)

FIGURE 1.4 (a) Original Points, (b) Two Groups, and (c) One Group.

2. “Does the current ε-neighborhood and proximity measure correctly

identify the clusters?”
For instance, only one cluster can be captured for the following set
of points in two-dimensional Euclidean space:
 Introduction to Cluster Analysis r 9

(a) (b)
FIGURE 1.5 (a) Original Points and (b) One Cluster Interpreta-
tion.

In reality, the ac-

tual number of clusters
should be two. In this
case, the Euclidean
neighborhoods are in-
capable of obtaining
the correct number of
clusters.
This example il- (a) (b)
lustrates that cluster
FIGURE 1.6 (a) Original Points and (b) Actual Groups.
analysis is sensitive
to both the proximity measure selected and related ε-neighborhood
shapes. Different approaches may yield different results. Consequently,
the distance metric should be chosen carefully. The results should also
be compared to analyses based on different proximity measures to en-
able determination of the robustness of the results.
3. Do the captured clusters have realistic interpretations?
4. Do any of the clusters overlap? If so, to what degree?

1.3 NEED FOR VISUALIZING DATA

The discussion on proximity measures for capturing clusters demon-
strates that clustering software needs features that make clustering prac-
tical for a wide variety of applications. Such a package should at least
provide highly optimized implementations of agglomerative, k-means,
10 r Cluster Analysis and Data Mining

and graph clustering, especially in the context of sparse high-dimensional

data. Additionally, the package should help the user sort through the al-
gorithm options and resulting data files by providing an intuitive graphi-
cal interface. Clustering software should provide both standard statistics
and unique visualizations for interpreting clustering results. Given the
wide range of options and factors that are involved in clustering, the user
should carefully analyze his results and compare them with results gen-
erated with different options. Visualizations enhance the analysis and
comparisons.

1.4 THE PROXIMITY MATRIX

According to Oxford Dictionary of Statistics,a square matrix in which
the entry in cell (j, k) is some measure of the similarity (or distance)
between the items to which row j and column k correspond. A simple
example would be a standard mileage chart—the smaller the entry, the
closer together are the two items. Proximity matrices form the data for
multidimensional scaling. Asymmetric matrices can occur (for example,
if the measurement is time taken, then the journey from top to bottom of
a hill will be shorter than the journey from bottom to top).
Suppose we are given the following ordinal proximity matrix:

x1 x2 x3 x4 x5

x1 0 6 8 2 7

x2 6 0 1 5 3

x3 8 1 0 10 8

x4 2 5 10 0 4

x5 7 3 9 4 0

TABLE 1.1 An Ordinal Proximity Matrix.

 Introduction to Cluster Analysis r 11

The objects xi, for the cell the value represents the Euclidean distance
between the objects. Next we construct a proximity ratio matrix; a matrix
where a proximity measure has been derived from the proximity matrix.
The Euclidean proximity measure would generate the following proximity
ratio matrix for the matrix in Table 1.2:

x2 x3 x4 x5

x1 12.08 14.77 4.69 10.58

x2 7.48 12.17 9.17

x3 16.37 13.64

x4 7.87

TABLE 1.2 A Proximity Ratio Matrix.

Using the proximity ratio matrix we can perform a hierarchical cluster-

ing γ0, γ2, ... , γn-1 where the mth clustering contains n – m clusters. A level
function, records the proximity for each clustering formed. For the start of
this process, L(k) = k, because the levels are evenly spread apart.
L(m) = min{d(xi, xj) I γm is defined}
where the mth clustering contains n – m clusters:
{
γ Cm = γ m1, γ m 2,#, γ m ( n − m ) }
The cophenetic proximity measure dc on the n objects is the level at
which objects xi and xj are first in the cluster.
dc (i, j) = L(kij )

where
{ ( )
For single-link, use kij = min m: xi , x j εγ Cmq for some q }
For complete-link, use k = max {m: ( x , x ) εγ
ij i j Cmq for some q}
12 r Cluster Analysis and Data Mining

This process generates the following results for the complete-link solution:

x2 x3 x4 x5 x2 x3,4 x5

x1 12.08 14.77 4.69 10.58 x1 12.08 14.77 10.58

x2 7.48 12.17 9.17 x2 12.17 9.17

x3 16.37 13.64 x3,4 13.64

x4 7.87

x2 x5 x2

x1,3,4 12.17 13.64 x1,3,4,5 12.17

x2 9.17

FIGURE 1.7 Complete-Link Clustering Process.

1.5 DENDROGRAMS
A special type of tree structure, called a dendrogram, provides a
graphical presentation for the clustering. A dendrogram consists of layers
of nodes, where each node represents a cluster. Lines connect nodes rep-
resenting clusters which are nested together. Horizontal slices of a dendro-
gram indicate a clustering. For the latter complete-link clustering, we have:
1 2 3 4 5

FIGURE 1.8 Dendrogram for a Complete-

Link Clustering.
 Introduction to Cluster Analysis r 13

At the start L(1) = 16.37 for the clustering {( x1 ), ( x2 ), ( x3 ), ( x4 ), ( x5 )} .

On the first iteration, L(2) = 14.77 for the clustering
{(x1 ), (x2 ), (x3 , x4 ), (x5 )}.
After completion of the second iteration, L(3) = 13.64 for the clustering
{ 2 ), (x1 , x3 , x4 ), (x5 )}.
( x
Completion of the third iteration generates: L(4) = 12.17 for the clus-
tering {( x2 ), ( x1 , x3 , x4 , x5 )} .
The last iteration generates: L(5) = 12.17 for the clustering
{(x , x , x , x , x )}.
1 2 3 4 5

Clearly several obvious questions arise at this point in the cluster

analysis:
■ How many groups are present in the data?
■ What is the group membership interpretation?
■ Will different grouping algorithms have a common clustering result?
Not necessarily!
■ CLUSTERING IS AN ART AS WELL AS A SCIENCE!

1.6 SUMMARY
Cluster analysis is the formal study of algorithms and methods for
grouping, or classifying objects.
Questions to resolve include:

What defines similarity between objects or between clusters?

What defines a distance between two clusters?
How can you capture clusters? What are the different methods for iden-
tifying these clusters?
When is it “best” to partition or identify clusters?
When is it “best” to stop joining clusters?
What are the right data elements to utilize in clustering for a problem in
a specific application domain where we may have hundreds of variables?
What are the limitations of cluster analysis?
14 r Cluster Analysis and Data Mining

Basically the steps completed in clustering include:

Step One: Form similarities between all pairs of the objects based on a
given attribute.
Step Two: Groups are constructed where within-group similarities are
larger than the between-group similarities.

Let d(i,k) be a proximity between the ith and kth patterns. Then:

- For a dissimilarity d(i,i) = 0, for all i.

- For a similarity, d(i,i) = max d(i,k), for all (i,k).
- d(i,k) = d(k,i), for all (i,k).
- d(i,k) ≥ 0, for all (i,k).

The common proximity measures are:

⎛ d ⎞
■ Minkowski metric: d(i, k) = ⎜ ∑ xij − xkj ⎟
⎝ j=1 ⎠
1/2
⎛ d 2⎞
■
⎝ j=1
(
Euclidean distance: d(i, k) = ⎜ ∑ xij − xkj ⎟
⎠
)
d
■ Manhattan distance: d(i, k) = ∑ xij − xkj
j=1

■ Sup distance: d(i, k) = max xij − xkj

1≤ j≤ d

1.7 EXERCISES

1. Suppose you are given two decks of playing cards, one with a blue back-
ing and the other with a red backing. Discuss ways in which the 104
cards without jokers or 108 cards with jokers can be clustered. Is it pos-
sible to form a clustering which is not a partition?
2. What is the distinction between the following terms: similarity measure,
dissimilarity measure, metric, and distance measure?
3. Complete the computations for the single-link clustering presented in
the chapter.
 Introduction to Cluster Analysis r 15

4. Complete a single-link cluster on the ordinal proximity matrix given in

Table 1.2.
5. Perform a complete-link cluster for each proximity measure given the
following example considering the following data {(16,19), (20,23),
(8,20), (1,23), (18,6), (5,28)} with associated labels {1, 2, 3, 4, 5, 6},
which are points within two-dimensional Euclidean space:
(a) Minkowski metric (b) Manhattan distance
(c) Sup distance (d) Percent disagreement
6. The cluster analysis presented in this chapter is a bottom-to-top
(agglomerative) process. Perform a top-to-bottom (divisive) process. In
other words, start with one cluster containing all the objects and finish
with a clustering containing all the singleton clusters.
7. For problems 3 through 5, discuss how to determine when the cluster-
ing stops.
8. How could clustering methods be used for identifying outlier(s)?
Note that outlier(s) by itself (themselves) will be a cluster. Think of an
example of a tree diagram which will point out few outliers; and how
the grouping pattern and the stem will be represented by a cluster of
outliers.
9. What is the relationship between the linkage distance measure and the
number of clusters?
10. Why would the number of clusters not be a simple continuously
increasing number? Is it possible that there may not be a one-to-one
relationship between the linkage distance and the number of clusters?
11. How does variable selection play a role in cluster analysis; what meth-
od is best to use?
12. Why is linkage distance inversely related to the number of clusters in
general?
13. What happens if a similarity measure is used instead of distance
measure?
14. What is meant by similarity or distance measures when we have quali-
tative data?
16 r Cluster Analysis and Data Mining

15. What is the major problem with the nonhierarchical method? (Hint:
start point of the seed or center of the cluster)
16. Why should you standardize the data when doing cluster analysis?
17. Discuss how to use the dendrogram. (Tree structure for identifying the
distance “between clusters” and which observations belong to which
cluster—a graphical representation issue.)
18. Various factors affect the stability of a clustering solution, including:
selection, distance/similarity measure used, different significance
levels, and type of method (divisive vs. agglomerative) among others.
Do some background research and present a report on a method that
converges to the right solution in the midst of the above mentioned
parameters.
19. You are given the following contingency table for binary data:
Object j
1 0 sum
1 a b a+b
Object i 0 c d c+d
sum a+c b+d p
TABLE 1.3 Contingency Table.

(a) Define a symmetry measure based upon the contingency table.

(b) Define an asymmetry measure based upon the contingency table.
20. Describe the type of variables in the following table and define a dis-
similarity measure for the binary variables.
Name Gender Fever Cough Test-1 Test-2 Test-3 Test-4
Jack M Y N P N N N
Mary F Y N P N P N
Jim M Y P N N N N

21. Define a similarity measure for nominal variables.

22. What is an ordinal variable? Discuss how a dissimilarity measure can
be defined for an ordinal variable.
 Introduction to Cluster Analysis r 17

23. What is a ratio-scaled variable? Discuss how nonlinear scale, such as an

exponential scale, should be represented in a cluster analysis.
24. Databases consist of variables of mixed types. Discuss how to opera-
tionally define similarity/dissimilarity measures for a typical database.
25. What is a vector object? How can one operationally define a dissimilar-
ity measure for vector objects?
 CHAPTER

2
OVERVIEW OF DATA
MINING
In This Chapter
2.1 What Is Data Mining?
2.2 Data Mining Relationship to Knowledge Discovery in Databases
2.3 The Data Mining Process
2.4 Databases and Data Warehousing
2.5 Exploratory Data Analysis and Visualization
2.5 Data Mining Algorithms
2.6 Modeling for Data Mining
2.7 Summary
2.7 Exercises

2.1 WHAT IS DATA MINING?

A primary goal for many twenty-first century companies is to simul-
taneously maximize their rate of return and customer satisfaction. Supply
chain management coupled with the associated entity relationship program
enable firms to be competitive in the workforce. These firms are able to de-
liver a high-quality product that is highly useful to the customer in a timely
fashion. Success is based upon understanding their customers, vendors, and
supply chain.
Often this type of understanding is partially obtained by drilling-into-
the-database. For example, consider a database for a chain of grocery stores.
The top ten customers could be found simply by using filters. Pivot table
 Overview of Data Mining r 19

processing would enable the identification of factors for purchasing habits

broken down by geographical region and specific product lines. Graphical
software would allow for the results to be visually displayed. These types
of tasks, discussed in this paragraph, are in the realm of exploratory data
analysis.
Today, data mining refers to the extraction of mathematical patterns
from large databases. Methods from the fields of computer science, sta-
tistics, and machine learning comprise the data mining toolset. Rule sets,
associations, sequenced associations, correlations, trends, and prediction
models are some of the extracted mathematical patterns. Essentially data
mining tools enable finding patterns in data and possibly inferring rules
based upon the patterns.
SQL-based queries, use of human judgment, and online analytic pro-
cessing are the simplest data mining tools. Classification via decision trees,
cluster analysis, and regression comprise the next level of data mining tools.
Another level of data mining tools includes neural networks and fuzzy
systems.
A brief list of data mining methods includes: classification, clustering,
associations, sequence discovery, regression, and forecasting. The objective
of classification is to analyze the historical data stored in the database and
generate a model for predicting future behavior. The objective of cluster-
ing is to partition a database into segments where members share similar
features. Associations establish relationships that occur together in a given
transaction. Sequence discovery’s objective is to determine associations that
occur over time. Regression and forecasting are useful for prediction.

2.2 DATA MINING RELATIONSHIP TO KNOWLEDGE

DISCOVERY IN DATABASES
To successfully mine for knowledge in large databases, a framework
or process should be followed. Knowledge Discovery in Databases (KDD)
is a machine learning process that performs rule induction on a related
procedure to establish knowledge from large databases. Fayyad, Piatesky-
Shapiro, and Smyth1 defined KDD as a process using data mining methods
to find useful information and patterns in data. On the other hand, data
1
Fayyad, U., Piatesky-Shaapiro, G., and Smyth, P. (1996). The KDD process for extracting
useful knowledge from volumes of data. Communications of the ACM, 39(11):27-34.
20 r Cluster Analysis and Data Mining

mining uses algorithms to identify patterns in data derived through the

KDD process. Organizational data is input to the KDD process in the en-
terprise data warehouse. Similar to structured programming, there exists a
single source for data to be mined.
Fayyad, Piatesky-Shapiro, and Smyth1 developed the following nine
step model, which is iterative with many loops between any two steps:

Step 1: Fully develop and understand the application by learning

relevant knowledge and related end-user goals.
Step 2: Select a target data set based on the features and actual data
points to serve as the discovery data set.
Step 3: Perform data cleaning and preprocessing, which includes
the tasks of removing outliers and noise, as well as dealing with missing
values.
Step 4: By application of data reduction and projection methods
obtain an invariant representation of the data.
Step 5: Select the data mining method that meets Step 1
requirements.
Step 6: Select the data mining algorithm based upon appropriate
models and parameters of the chosen methods.
Step 7: Perform the data mining.
Step 8: Interpret the mined patterns.
Step 9: Incorporating the discovered knowledge into the perfor-
mance system and documenting and reporting it to the stake-
holders. Note that the interpreted patterns must be checked for and
resolved with respect to potential conflicts for previously believed
knowledge.
Cabena, Hadjinian, Stadler, Verhees, and Zanasi2 discuss an industrial
model called CRISP-DM (Cross-Industry Standard Process for Data Min-
ing), which was established by four companies: Integral Solutions Ltd.,

2
Cabena, P., Hadjinian, P., Stadler, R., Verhees, J., and Zanasi, A. (1998). Discovering Data
Mining From Concepts to Implementation. Prentice Hall, Saddle River, New Jersey.
 Overview of Data Mining r 21

NCR, DaimlerChrysler, and OHRA. This KDD process incorporates a de-

scription of business aspects as well as the technical description.
The CRISP-DM KDD model consists of the following steps:

Step 1: Develop a business understanding:

1. Determine the business objectives.
2. Make an assessment of the problem.
3. Determine the data mining goals.
4. Generate a project plan.
Step 2: Understand the data:
1. Collect the initial data.
2. Completely describe the data.
3. Perform preliminary exploration of the data.
4. Perform data quality verification.
Step 3: Data preparation:
1. Select the project data.
2. Perform data cleaning.
3. Construct the new project attributes.
4. Transform the data if needed.
Step 4: Modeling:
1. Selection of modeling techniques.
2. Development of test design.
3. Assessment of selected modeling techniques.
Step 5: Evaluation:
1. Evaluate the results.
2. Perform a process review.
3. Determine the next step to be taken.
22 r Cluster Analysis and Data Mining

Step 6: Deployment:
1. Develop a deployment plan.
2. Develop a monitoring and maintenance plan.
3. Generate the final report.
4. Review the process substeps.

2.3 THE DATA MINING PROCESS

In summary, data mining is the process of extracting valid, authentic, and
relevant patterns from large databases. The basic steps in data mining are:

1. Problem definition.
2. Data preparation.
3. Data exploration.
4. Model selection and/or construction.
5. Model exploration and validation.
6. Model deploying and updating.

2.4 DATABASES AND DATA WAREHOUSING

The data miner needs an integrated company-wide view of high-quality
data and information. Informational systems need to be separated from op-
erational systems in order to improve corporate data management. Data
warehousing is one method organizations use to integrate data to gain
greater data accessibility across the organization.
Definition: A data warehouse is a subject-oriented, integrated, time-
variant, non-updatable data set used in support of management decision-
making processes and business intelligence. This definition is authored by
Hackathorn.3
Data warehousing is the process that organizations employ to create
and maintain data warehouses plus enabling extraction of information

3
Hackathorn, R. (1993). Enterprise Database Connectivity. New York: Wiley.
 Overview of Data Mining r 23

useful for informed decision making. Data warehouses consolidate data

located in disparate databases. By storing large quantities of data by
categories, data warehouses enable efficient retrieval, interpretation, and
storage of data. Data warehousing is one means of maintaining a central
depository of all organizational data. This is the ideal software support
needed for data mining.
Sometimes, in order to efficiently process certain applications, data
mining is run on a subset of a data warehouse. In this case a data mart is
employed. A data mart is a subset of the enterprise-wide database restricted
to a single subject area. Data marts use a consistent data model and provide
quality data.

2.5 EXPLORATORY DATA ANALYSIS AND VISUALIZATION

When performing a knowledge discovery task, visualization is a key
ingredient at each step. Summary tables and statistics are useful for in-
terpretation but are not comparable to displays of data points and their
relationships. There is a standard collection of graph- and chart-drawing
facilities common to all commercial discovery-oriented data mining tools.
SAS and S statistical packages provide visualizations such as scatter-plots
and multidimensional point cloud rotations.
Databases organized to support easy and efficient multidimensional
analysis are referred to as multidimensional databases. When data mining
a multidimensional database, data cubes provide for efficient retrieval of
data. OLAP software for processing a cube feature page-by, pivot, sort, fil-
ter and drill-up, as well as, drill-down. These tools allow the end user to
slice-and-dice a cube of data with mouse clicks.
Many OLAP vendors provide for three-dimensional visualization tools,
which are applicable for data mining. Some of the new three-dimensional
tools include dashboards and scorecards. Dashboards and scorecards pro-
vide visual displays of important information in a consolidated and orga-
nized manner on a single screen so that the information can be digested at a
single glance and efficiently explored. Dashboards and scoreboards possess
the following features:
■ Use of visual components.
■ Require minimal training.
24 r Cluster Analysis and Data Mining

■ Data is derived from a variety of systems into a single summarized view.

■ Enable drill-down or drill-through processing.
■ Are based upon dynamic real-world view of timely data refreshes.

Additionally, some vendors support tools for visual analysis. Data min-
ing tools are accessible from the following sources:
■ Mathematical and statistical packages.
■ Web-based marketing packages.
■ Analytics added to database tools.
■ Standalone data mining tools.

WEKA is an open source set of machine learning algorithms for data

mining tasks. Neural network capabilities are included in WEKA. WEKA is
downloadable from cs.waikato.ac.nz/~ml/weka.

2.6 DATA MINING ALGORITHMS

Statistical, machine learning, and neural network based algorithms are
employed in data mining to capture classes, clusters, associations, and se-
quential patterns. These algorithms include components to:
■ Post extracted, transformed, and transaction data needed to the data
warehouse.
■ Manage data in a multidimensional database.
■ Provide multi-user data access, especially for business analysts and IT
personnel.
■ Perform data analysis.
■ Provide graphical displays useful for interpretation.

The data mining field is still evolving. Database personnel were among
the first individuals who gave a serious thought to the problem of data min-
ing, because they were the first to face the problem of extraction of hidden
information in a database. Most of the tools and techniques used for data
mining come from other related fields like pattern recognition, statistics,
and complexity theory. Only recently have researchers from various fields
been interacting to solve the mining issue.
 Overview of Data Mining r 25

Many of the traditional data mining techniques have failed because of

the sheer size of the data. New techniques will have to be developed to
store this huge data set. Any algorithm that is proposed for mining data will
have to account for out of core data structures. Existing algorithms have not
addressed the data set size issue. Some of the newly proposed algorithms,
like parallel algorithms, are now beginning to look at data mining on large
databases.
Most data mining algorithms assume the data to be noise free. As a
result, the most time-consuming part of solving problems becomes data
preprocessing. Data formatting and experimental/result management are
frequently just as time consuming and frustrating.

2.7 MODELING FOR DATA MINING

Nonlinear analysis is provided by artificial neural networks, while al-
gorithms like genetic algorithms offer optimization. Classification employs
tree-structured algorithms. Rule induction involves the extraction of if-then
rules from the data based upon statistical significance. Data visualization,
which is extremely useful for data mining, provides visual interpretation of
complex relationships in multidimensional data.

2.8 SUMMARY
Consider the following analogy. The patient, or the database, is examined
for patterns that will extract information and rules applicable to the patient’s
cardiovascular system, or the enterprise-wide database and data warehouses.
The skeletal system is the computer architecture and the tendons and mus-
cle are the operating system and netware. Data mining algorithms, software,
and methods are the data mining physician’s black bag, or toolset. Through
education and experience, the physician can generate useful information us-
ing his toolset. Like a medical doctor, beyond technical knowledge and know
how, the data miner must know and understand his patient.

2.9 EXERCISES

1. Why is a standardized KDD necessary?

2. Compare data mining to the KDD process. Which term is broader?
3. Compare the two KDD processes discussed in this chapter.
26 r Cluster Analysis and Data Mining

4. Identify where mistakes can be made in data mining. For each

potential mistake, discuss how to avoid them.
5. What factors have increased the popularity of data mining recently?
6. Identify at least five applications of data mining.
7. Identify some major characteristics of data mining.
8. Identify some of the main categories of data mining technologies.
9. Perform a topical search on the Six Sigma Method’s approach to data
mining.
10. Perform a topical search and prepare a report on text mining.
11. What is the relationship between OLAP and data mining?
12. Go to http://www.teradastudentnetwork.com and find seminars on
data mining.
a. List and discuss applications of data mining.
b. Determine types of costs and payoffs that organizations can expect
from data mining.
13. Discuss the major advantages of data warehousing to end users.
14. Distinguish between a data warehouse and a data mart.
15. How can data integration lead to higher levels of data quality?
16. How is a data warehouse different from a database?
17. Why has data mining suddenly gained the attention of the business
world?
18. Describe the algorithm and provide example applications for the data
mining functions.
19. Explain how pivot tables can be employed in data mining.
 CHAPTER

3
HIERARCHICAL
CLUSTERING
In This Chapter
3.1 Introduction
3.2 Single-Link versus Complete-Link Clustering
3.3 Agglomerative versus Divisive Clustering
3.4 Ward’s Method
3.5 Graphical Algorithms for Single-Link versus Complete-Link
Clustering
3.6 Summary
3.7 Exercises

3.1 INTRODUCTION
Hierarchical clustering can be broken down into two major categories—
agglomerative methods and divisive methods. A procedure for forming ag-
glomerative hierarchical groups of mutually exclusive subsets was developed
by Ward.1 The grouping technique is “based on the premise that the great-
est amount of information, as indicated by the objective function, is avail-
able when a set of n members is ungrouped.”1 The first step is to select and
combine the two subsets out of the n possible subsets which would produce
the least impairment of the optimum value of the objective function, while

1
Ward, J. H., Jr. (1963). Hierarchical grouping to optimize an objective function. American
Statistical Association Journal, 58, 236-244.
28 r Cluster Analysis and Data Mining

reducing the number of subsets to n – 1. These n – 1 subsets are then exam-

ined to identify which two subsets should be merged in order to obtain the
optimum value of the objective function for n – 2 subsets. This procedure
is repeated until the original n members are in a single set or group. Be-
cause the number of subsets is reduced by one at each step (n – l,..., 1), the
process is referred to as hierarchical grouping. The grouping that occurs
at each step usually results in some quantifiable loss, which Ward2 terms
a value-reflecting number. The functional relation used to obtain a value-
reflecting number is called the objective function. In general, an objective
function may be any functional relationship that an investigator selects to
reflect the relative desirability of groupings. In Ward’s1 example, the objec-
tive function represents loss of information and is reflected by the error
sum of squares (now known as Ward’s Method). Other examples of objec-
tive functions described by Ward1 which have been used by the Personnel
Research Laboratory, United States Air Force, include:

1. the grand sum of the squared deviations about the means of all mea-
sured characteristics in the clustering of persons to maximize their
similarity with respect to measured characteristics,
2. the expected cross-training time in the clustering of jobs to minimize
cross-training time when personnel are reassigned according to
established policies,
3. the amount of job time incorrectly described when clustering job
descriptions to minimize errors in describing a large number of jobs
with a small number of descriptions, and
4. the loss of predictive efficiency when clustering regression equations to
minimize the loss of predicted efficiency resulting from reductions in
the number of regression equations (JAN).

An important concept to remember in defining the hierarchical group-

ing mentioned previously is that once two entities are merged, they are
joined permanently and become a building block for later merges. This is
one of the key differences between the hierarchical techniques and the op-
timal techniques to be discussed in Chapter 4. Another difference between

2
Ward, J. H, Jr. (1961, March). Hierarchical grouping to maximize payoff (Technical Report
WADD-TN-61-29). Lackland Air Force Base, TX: Personnel Laboratory, Wright Air
Development Division.
Another Random Scribd Document
with Unrelated Content
des instruments dociles, empressés, dévoués, qu'il pouvait déplacer,
écarter, briser, selon qu'il le jugeait utile ou convenable à ses
desseins. Alors on eut en France un roi et un gouvernement fort;
c'est ce qu'on n'y avait pas vu depuis Henri IV. Mais rien ne nous
montre mieux la fermeté, l'habileté et les lumières qui étaient
nécessaires dans le souverain pour fonder ce gouvernement, que le
procès de Fouquet. L'intelligence complète du règne de Louis XIV et
du caractère de ce monarque dépend de la connaissance exacte de
la situation des affaires lorsqu'il commença à gouverner par lui-
même. On ne peut l'acquérir qu'en se faisant une idée précise de
l'administration du surintendant, et en recherchant avec soin toutes
les causes qui ont préparé sa chute, toutes les circonstances qui
l'ont hâtée et aggravée.
Nous avons déjà dit comment, en 1652, Fouquet, d'abord accolé à
Servien, était devenu, par le fait, le seul surintendant des finances,
quoique les lettres patentes qui le reconnaissent comme tel ne lui
aient été délivrées qu'en 1659, après la mort de son collègue [349].
Mais pour concevoir de quelle manière Fouquet, par le moyen de
cette charge, qui ne lui conférait aucune part à la direction du
gouvernement, put acquérir une puissance qui rivalisait avec celle du
premier ministre, il est nécessaire de faire connaître quelle était à
cette époque l'organisation des finances en France, et surtout le
mode de comptabilité du trésor public ou de l'épargne, comme on
disait alors.
Un surintendant général des finances n'était point un comptable,
mais un ordonnateur. Il ne recevait aucun fonds, ne dépensait
aucune somme; mais il ordonnançait toutes les recettes et toutes les
dépenses. Il n'était point justiciable des cours souveraines sagement
instituées pour examiner, juger et arrêter les comptes de tous les
comptables publics; il ne devait justifier de sa gestion qu'au roi. Le
surintendant général n'était astreint dans sa gestion à aucune loi, à
aucune règle particulière, qu'à celles qu'il plaisait au roi de lui
imposer. Le compte qu'il rendait était un compte de clerc à maître,
un compte de conscience [350].
Cependant il ne faut pas croire que les finances du royaume et la
gestion du surintendant fussent sans contrôle. Ce contrôle se
trouvait dans les comptes des trésoriers de l'épargne, et dans la
tenue du registre des fonds. Il y avait trois trésoriers de l'épargne,
qui géraient à tour de rôle pendant un an, et qui rendaient leurs
comptes à la cour des comptes séparément, et par exercice. Aucune
somme ne pouvait être reçue ou payée pour le roi ou pour l'État, ou
par le roi et par l'État, sans qu'il en fût fait écriture sur les registres
du trésor de l'épargne. Ce trésorier ne recevait et ne payait que
d'après les ordonnances du surintendant; ses registres ne faisaient
connaître que la date de ces ordonnances, et les différends fonds sur
lesquels elles étaient assignées. Mais près de lui se trouvait celui qui
était chargé de tenir le registre des fonds sur lequel étaient
enregistrées jour par jour toutes les sommes versées à l'épargne ou
payées par elle, en vertu de toutes les ordonnances de recettes et
de dépenses, avec les origines et les motifs de toutes ces
ordonnances, ou de tous les payements et de tous les versements.
Ce registre des fonds n'était point produit à la cour des comptes; il
restait secret entre le roi et le surintendant. Les ordonnances de ce
dernier étaient les seules pièces que les trésoriers de l'épargne
eussent à produire pour la régularisation de leurs comptes, et le
registre des fonds servait en même temps à contrôler leur gestion et
celle du surintendant. Le teneur du registre des fonds et les trois
trésoriers de l'épargne étaient nommés par le roi, et par conséquent
indépendants du surintendant.
Rien ne semblait mieux imaginé pour que le roi ou son
gouvernement, sans être gêné par la cour des comptes dans l'emploi
des revenus de l'État, sans lui révéler des secrets qu'elle ne devait
pas connaître, pût la faire servir à faire régner l'ordre dans les
finances; et aucun moyen ne paraissait plus simple, ni plus propre à
se garantir des inconvénients qui pouvaient résulter, dans la
comptabilité, de la négligence ou de l'erreur, ou à prévenir les abus,
plus grands encore, de la collusion et de l'improbité. Il est vrai que si
cet ordre de choses eût été maintenu, toute confusion eût été
impossible; et quelque multipliés, quelques compliqués que fussent
d'ailleurs les comptes particuliers, quelque nombreuses que fussent
les différentes espèces de dépenses et les diverses natures de
recettes, le souverain eût toujours pu connaître l'état au vrai de ses
finances, la grandeur de ses charges et l'étendue de ses ressources.
Mais ce n'était pas là ce que voulaient les financiers. Examinons
comment ils parvinrent à échapper aux entraves qu'on avait mises à
leurs fraudes et à leur rapacité.
Toute ordonnance de payement, ou commandement fait à un
trésorier de l'épargne de payer une somme au nom du roi ou de son
conseil, devait être signée ou contre-signée par le surintendant. Mais
cela ne suffisait pas encore pour qu'elle pût être payée. Dans cet
état, une ordonnance de payement n'était qu'une reconnaissance de
la dette, qu'un ordre général portant que telle dépense était faite;
elle devait être soldée par l'épargne. Pour que l'argent fût délivré à
la personne ainsi reconnue créancière de l'État, il fallait encore qu'il
fût mis au bas de cette ordonnance un ordre particulier du
surintendant, qui assignait sur un fonds spécial [351] le payement de
la somme qui y était mentionnée. Le trésorier de l'épargne ne
pouvait et ne devait vous payer qu'autant qu'il avait des valeurs
appartenant au fonds sur lequel le payement de l'ordonnance était
assigné; et comme il n'en avait presque jamais, vu les retards qui
avaient lieu dans la perception des diverses branches de revenu
public, au lieu d'argent il donnait en échange de l'ordonnance un
billet de l'épargne, qui était une sorte de mandat sur le traitant, le
fermier de l'impôt, ou tel autre débiteur, envers l'épargne, du fonds
sur lequel le payement de l'ordonnance était assigné. Par ce mandat,
le trésorier de l'épargne déclarait qu'il tiendrait compte à celui-ci de
la somme payée par lui sur le fonds qui se trouvait désigné, et qu'on
lui en fournirait quittance.
Pour la facilité des affaires et des payements, on subdivisait le plus
souvent le montant d'une même ordonnance en plusieurs billets de
l'épargne; et comme il y avait plusieurs espèces de fonds ou
plusieurs sources de revenus publics, il y avait aussi plusieurs
espèces de billets de l'épargne. Par la même raison, ainsi qu'il y avait
des revenus ou des fonds encore intacts, ou dont les rentrées
étaient certaines et prochaines au moment de l'émission des billets
qui les concernaient, on en trouvait d'autres dont les rentrées étaient
incertaines et éloignées; d'autres qui se trouvaient entièrement
épuisés, sans qu'on pût en avoir la preuve qu'au moment de la
reddition du compte. Il en résultait qu'il y avait des billets de
l'épargne dont la valeur était au pair avec l'argent; d'autres, plus ou
moins au-dessous du pair; d'autres, absolument sans valeur, quoique
cependant tous ces billets, et les ordonnances qu'ils représentaient,
émanassent des mêmes autorités, fussent revêtus des mêmes
signatures. Mais les billets sans valeur pouvaient redevenir tout à
coup supérieurs à ceux dont la valeur était incertaine; et voici
comment:
On assignait souvent, par erreur ou autrement, des ordonnances
dont le montant total était quelquefois le triple et le quadruple du
fonds qui devait les acquitter; cela donnait lieu à ce qu'on appelait
une réassignation de billet, c'est-à-dire à un second ordre de payer
tel ou tel billet sur un autre fonds que celui qui était mentionné dans
l'ordonnance. Cette réassignation pouvait être faite sur un fonds du
même exercice, ou, comme on disait, d'une même épargne; alors
cette réassignation se mettait tout simplement au pied du billet. Mais
si cet exercice était terminé, et qu'il fallût réassigner sur un autre
exercice, c'est-à-dire faire peser le billet sur le compte d'un autre
trésorier, il était nécessaire de rendre une ordonnance de comptant
ou de remise. Cette ordonnance de comptant ou de remise se
trouvant séparée du billet pour lequel elle avait été obtenue, il était
facile de l'annexer à un autre billet, et de changer ainsi un papier
d'une valeur incertaine ou nulle, en un autre dont la réalisation
n'éprouvait aucun retard [352]. On comprend ainsi sans peine de
quelle manière les ordonnances de payement se trouvant morcelées
en un grand nombre de billets assignés sur des fonds différents de
leur mandat primitif, puis réassignés sur d'autres fonds, et brisés en
plusieurs exercices, payés souvent sur des ordonnances de comptant
qui ne leur appartenaient pas, finissaient par former dans la
comptabilité une complication que pouvaient seuls démêler le
surintendant, les trésoriers de l'épargne et les traitants qui en
étaient les auteurs. On voit aussi pourquoi la finance était devenue
un arcane, une science secrète, dont la connaissance était réservée
à une certaine classe de personnes; pourquoi les financiers
formaient en quelque sorte une classe à part, et peu estimée. Les
profits que les trésoriers de l'épargne pouvaient faire par leur
collusion avec les fermiers des impôts étaient énormes, puisque les
uns pouvaient payer les ordonnances et les autres les taxes, avec
des billets qui entre leurs mains étaient évalués au pair, et qui en
d'autres mains, même celles des détenteurs primitifs, des ayant-
droit, des créanciers légitimes, pouvaient être dépréciés au tiers, au
quart, au dixième de leur valeur, ou même réduits à rien. Car lorsque
les billets de l'épargne avaient vieilli, et qu'on avait laissé passer un
trop grand nombre d'exercices sans les réassigner, leur réassignation
devenait de plus en plus difficile à obtenir. Les billets récents, qui
représentaient les besoins du moment, les dépenses courantes,
obtenaient la préférence sur les anciens, considérés comme une
dette surannée; et si ceux-ci n'étaient pas annulés légalement par un
arrêt de déchéance, ils l'étaient de fait par le refus absolu de
réassignation. On imagine facilement combien, dans un tel état de
choses, un surintendant peu scrupuleux avait de moyens de
s'enrichir et de dilapider la fortune publique; lui, qui était maître
d'assigner les payements sur telles espèces de fonds qu'il lui plairait
de choisir, d'accorder ou de refuser les assignations ou les
réassignations, de faire ou de ne pas faire des ordonnances de
remises; lui, chargé de passer les baux avec les fermiers des impôts;
lui, qui pouvait autoriser un débiteur de l'épargne à retarder ou à
anticiper les termes de ses payements; lui, enfin, qui, par l'autorité
de sa charge, avait le pouvoir de surveiller, de corriger tous les abus,
et qui pouvait prendre de telles mesures qu'aucun agent des
finances ne pût faire de gains illicites sans qu'il lui en revînt la plus
forte part. Plus la pénurie du trésor était grande, plus il était facile à
un surintendant de malverser, plus il devenait difficile de le
convaincre de malversation.
A cet égard Fouquet se trouva dès son début dans la position la plus
favorable lorsqu'il fut nommé surintendant. Le maréchal de la
Meilleraye, qui avait dirigé les finances, venait de faire une véritable
banqueroute en donnant en payement à tous les créanciers de l'État
des billets de l'épargne assignés sur des fonds depuis longtemps
épuisés. Nonobstant le discrédit complet produit par une mesure
aussi déloyale, Fouquet trouva encore des ressources pour toutes les
dépenses. Il emprunta sur son crédit propre, sur celui de ses amis,
et prêta ensuite à l'épargne, mais à des intérêts considérables. Les
traités qu'il conclut comme surintendant des Finances furent
approuvés par le roi, c'est-à-dire par Mazarin: la nécessité le voulut
ainsi. Mais les intérêts stipulés, quoiqu'ils fussent au moins de douze
pour cent, et allassent même jusqu'à dix-huit, n'étaient pas les seuls
profits de ceux qui s'engageaient avec Fouquet dans les affaires du
gouvernement. Avant de traiter ils avaient soin d'acheter
communément au denier dix, et souvent à moins, un certain nombre
des billets de l'épargne émis par le maréchal de la Meilleraye; et ils
stipulaient, dans les conditions de l'emprunt qui leur était fait,
qu'outre l'intérêt convenu, les billets de l'épargne dont ils étaient
porteurs seraient réassignés par des ordonnances de comptant; et
par le moyen de cette réassignation, faite de concert avec les
trésoriers sur des fonds disponibles, ils parvenaient à obtenir le
payement intégral de ces ordonnances [353]. Cela leur était d'autant
plus facile que la plupart de ces prêteurs étaient devenus aussi, par
le moyen du surintendant, les fermiers des impôts. Ils se payaient
par leurs mains, au fur et à mesure des rentrées; c'est-à-dire qu'ils
donnaient en payement de leurs engagements envers l'épargne ces
mêmes billets de l'épargne qu'ils avaient achetés à vil prix et fait
réassigner [354].
Ce n'était pas encore tout. Les lois et les ordonnances royales, qui
en tenaient lieu, ne permettaient pas à l'État d'emprunter à un taux
plus élevé que le denier dix-huit, ou à cinq cinq-neuvièmes pour
cent. Les cours souveraines chargées de la vérification des comptes
ne pouvaient donc admettre un taux plus fort; mais comme l'intérêt
qu'on était obligé de subir était le double et le triple de l'intérêt
légal, les prêteurs faisaient sur les sommes qu'ils versaient à
l'épargne la retenue de la différence, et on leur donnait quittance de
la somme entière stipulée dans leurs engagements, sans faire
mention de cette retenue; puis on faisait des ordonnances, qu'on
appelait ordonnances de fonds, qui assignaient sur un fonds effectif
ou imaginaire, au profit de gens inconnus ou supposés, le payement
de la différence entre le taux légal et le taux réel de l'emprunt. Ces
ordonnances, délivrées par le conseil des finances, contre-signées
par le surintendant, servaient aux trésoriers de l'épargne à
régulariser leur comptabilité. Il fallait bien, pour couvrir leur
responsabilité, avoir recours à de fausses écritures en recettes et en
dépenses. Les ordonnances de fonds faites au nom du roi et de son
conseil opéraient une simulation qui mettait les traitants à l'abri de
toute recherche [355]. Ces ordonnances de fonds en valeurs fictives
étaient cependant, comme les autres, scindées et converties en
billets de l'épargne, selon que cela était nécessaire pour la
commodité du service et la régularisation des écritures sur les
différents fonds. Souvent le traité qui avait donné lieu à une
ordonnance était révoqué. Alors les billets qu'on avait faits en
exécution de cette même ordonnance devaient être rapportés, et
biffés par le surintendant et ceux du conseil du roi qui avaient signé
la première ordonnance, et qui signaient également l'ordonnance de
révocation. Ces billets, lors même qu'ils n'étaient point biffés, se
trouvaient nuls de droit; et de là on prenait occasion de négliger de
les biffer et de les annuler. Mais comme ils pouvaient être séparés de
fait des ordonnances qui les avaient autorisés, et se trouvaient sous
la forme de billets de l'épargne, on parvenait, par des assignations
et des réassignations, à déguiser entièrement leur origine, et à
convertir en valeurs réelles des valeurs primitivement fictives, mais
qui n'étaient plus même alors des valeurs fictives, qui n'étaient plus
rien. Ainsi, on faisait payer deux fois à l'État une différence d'intérêt
déjà si énormément usuraire.
Celui qui tenait le registre des fonds, obligé de coucher sur ce
registre le détail de toutes les opérations financières, de décharger
ce même registre des traités annulés, des billets qui en étaient
provenus, aurait pu, par l'utilité de son contrôle, mettre obstacle à
d'aussi énormes dilapidations; mais ce registre, soit par l'influence
de Fouquet, soit par négligence, soit par impéritie, ne fut pas tenu
avec exactitude [356]. Cependant la comptabilité de l'épargne, tout
imparfaite, toute sommaire qu'elle était, aurait pu jeter quelque jour
sur ces désastreuses opérations, et empêcher qu'on ne s'y livrât
avec autant d'audace et d'impudeur; mais ce contrôle, si faible, si
insuffisant, fut anéanti par Fouquet, non pas peut-être de dessein
prémédité, mais par suite de l'exigence et de l'entraînement des
affaires.
En effet, quand il parvint aux finances, il n'y avait rien dans
l'épargne. Par la seule confiance qu'on avait dans ses talents, dans
sa loyauté, dans sa sincérité, dans sa fidélité à remplir ses
engagements, il trouva les fonds dont on avait besoin. Plusieurs
d'entre ses prêteurs étaient aussi, comme lui, des centres de crédit,
et eurent pour plus grande sûreté les impôts ou les branches de
revenus publics, qu'il leur délégua en sa qualité de surintendant;
d'autres devinrent les principaux gérants de sa vaste administration.
Tous avaient sa garantie personnelle pour les engagements
contractés envers l'État; c'était à lui qu'on prêtait, à lui que les
prêteurs avaient affaire: c'était donc en quelque sorte lui qui prêtait
à l'État; c'est à lui seul que le roi ou son gouvernement était
redevable [357]. Comme les besoins d'argent étaient souvent
pressants, instantanés, les sommes qu'on se procurait par son
moyen étaient remises à Mazarin ou aux chefs de service,
directement par les commis ou les caissiers du surintendant, et pour
son propre compte [358]. Le surintendant faisait ensuite des
ordonnances pour se rembourser, et se payait par les billets de
l'épargne faits en vertu de ces ordonnances. Ces billets étaient
acquittés au fur et à mesure de la rentrée des impôts ou des
différentes branches de revenus publics sur lesquels le payement en
était assigné; et, pour éviter tout retard, ces sommes étaient versées
directement dans les caisses du surintendant; de sorte que, selon
l'expression de cette époque, l'épargne se faisait chez lui, c'est-à-dire
que la comptabilité de l'État se trouvait confondue avec sa
comptabilité personnelle, et celle du trésor public devenait celle de
sa caisse particulière. Il était à la fois ordonnateur, receveur et
payeur. Les trésoriers de l'épargne, qui étaient parents ou amis de
Fouquet, et associés à ses immenses opérations, recevaient de lui
les ordonnances et les billets acquittés: ils les enregistraient avec
exactitude; mais comme ils ne recevaient rien que du papier, et ne
payaient rien qu'avec du papier, leur comptabilité devint toute fictive:
recette et dépense, tout se réduisait à des écritures. Les comptes
des trésoriers de l'épargne ne pouvaient donc plus contrôler les
actes du surintendant, puisque ces trésoriers recevaient de lui toutes
les pièces qui devaient former et justifier ces comptes [359]. Les
profits qui résultaient pour eux de leur participation à tous les
emprunts ne leur donnaient que le désir de voir prolonger un tel état
de choses; leurs charges, étant devenues un moyen certain de
s'enrichir, se vendaient à des prix exorbitants [360].
Ainsi Fouquet était devenu le seul dispensateur de la fortune
publique, et tenait dans ses mains la ruine ou la prospérité de tous
ceux qui avaient des intérêts à régler avec l'État, puisqu'il pouvait à
son gré accorder ou refuser, avancer ou retarder le payement de ce
qui était dû par l'État, donner de la valeur à des créances simulées,
et réduire à rien les créances les plus légitimes. Comme
surintendant, Fouquet avait encore l'administration entière des
colonies. Son père était le président du conseil qu'il avait institué
pour les régir. Alors ces possessions lointaines n'étaient considérées
que sous le rapport fiscal, et produisaient de si faibles revenus, que
Fouquet aliéna l'île de Sainte-Lucie tout entière pour la modique
somme de 39,000 liv. (78,000 fr. de notre monnaie actuelle) [361].
Dans les grands mouvements de fonds, dans les opérations
financières qui donnent lieu à une comptabilité compliquée, dès
qu'on néglige les moyens propres à faire reconnaître incessamment
les erreurs et les concussions, ou qu'on s'en écarte à dessein, le
désordre s'introduit aussitôt; et, s'accroissant toujours, il arrive que
celui même qui l'a voulu faire naître à son profit ne peut plus s'y
reconnaître, et qu'il devient facile de s'en servir contre lui-même.
C'est ce qui arriva à Fouquet. En proie aux fraudes de ses agents, il
en vint au point de ne plus savoir quelle était sa position à l'égard de
l'État. Il paraît constant, d'après ses propres défenses, que lorsqu'il
fut arrêté il devait quatorze millions (vingt-huit millions de notre
monnaie actuelle) [362]; et il y eut dans ses comptes six millions de
billets réassignés, pour lesquels il fut impossible de savoir s'ils
formaient un déficit réel, ou s'ils n'avaient d'autre origine que des
dépenses fictives résultant des ordonnances de différence de
fonds [363].
Mais, quelle que fût sa position, il disposait à son gré des revenus de
la France. Les sommes qui résultaient des emprunts, comme les
recettes qui provenaient des impôts, étaient versées dans ses
caisses, et il avait toujours à son commandement des capitaux
immenses en argent comptant. Il en usa avec une profusion inouïe;
il construisit des palais, forma des bibliothèques, des collections d'un
prix inestimable en tableaux et en statues [364]. Il vécut avec une
magnificence royale, joua gros jeu, eut des maîtresses jusque dans
les rangs les plus élevés; fit des pensions aux courtisans besoigneux,
aux femmes de cour intrigantes, aux artistes, aux gens de lettres, à
tous ceux qui le louaient ou qui pouvaient lui être utiles [365]. Il
donnait sans cesse des fêtes et des repas somptueux au roi, aux
reines, aux ministres, à la cour, aux princes, et aux étrangers
illustres qui visitaient la France [366]. Il avait partout des agents, et
particulièrement auprès des souverains et des hommes puissants; ils
lui rendaient compte de tout, et le servaient par leurs intrigues [367].
Il gratifiait ses frères, ses parents, ses amis, des plus belles charges,
soit en les achetant pour eux, soit en leur prêtant l'argent nécessaire
pour les acquérir [368]. C'est ainsi qu'il parvenait à usurper en quelque
sorte la nomination aux plus hautes comme aux plus modiques
fonctions de l'État, et à être instruit de toutes les affaires les plus
secrètes, et les plus étrangères aux finances. Par ces divers moyens
il s'acquit une puissance presque égale à celle du premier ministre,
et à laquelle se rattachait la haute influence de tous ceux qui
détestaient la personne de celui-ci et étaient opposés à sa politique;
car, bien que le traité des Pyrénées eût obtenu l'approbation
publique, et fût généralement considéré comme le chef-d'œuvre de
l'habileté de Mazarin, cependant il y avait aussi un parti assez
nombreux qui blâmait ce traité, et qui aurait voulu qu'au lieu
d'arrêter le succès de nos armes et de chercher à contracter une
alliance avec l'Espagne, on fît la conquête des Pays-Bas, et qu'on
adjoignît à la France ces riches et florissantes contrées. Dans ce
parti était Turenne, tous les hommes de guerre, tous les débris de la
Fronde que Mazarin n'avait pu ou voulu rallier à lui, et aussi une
grande portion de la noblesse indépendante. Les raisons que toutes
les personnes de ce parti alléguaient en faveur de leur opinion se
trouvent toutes réunies et exprimées d'une manière aussi piquante
que spirituelle dans une lettre que Saint-Évremond, l'un d'eux, écrivit
au marquis de Créquy, lors des négociations de Saint-Jean de Luz.
Cette lettre, depuis saisie dans les papiers de Fouquet, devint la
cause de l'exil de celui qui l'avait écrite et de son long séjour en
Angleterre [369].
C'est à la même époque, c'est-à-dire pendant que l'on traitait avec
l'Espagne, que Colbert fit pour Mazarin un mémoire où il lui signalait
les dilapidations du surintendant et les énormes abus qui avaient lieu
dans l'administration des finances. Colbert était devenu, par
l'entremise de Le Tellier, allié à sa famille [370], l'intendant de la
maison du cardinal, et, ce qui était encore préférable, son homme de
confiance. Dans le mémoire où il lui exposait les malversations de
Fouquet, il proposait en même temps de le faire arrêter et de le faire
juger par une commission; puis de créer une chambre de justice qui
déciderait du sort de ceux qui s'étaient rendus complices du
surintendant, et qui les forcerait à rendre une partie des sommes
qu'ils avaient extorquées à l'État. Colbert, s'élevant ensuite dans ce
mémoire à la hauteur de la tâche qu'il eut depuis à remplir, y
développait un plan de finances fondé sur l'ordre et l'économie, qui
fournissait les moyens de pourvoir aux dépenses publiques sans
avoir besoin de recourir à la désastreuse ressource des emprunts et
à de ruineuses anticipations.
Ce mémoire, envoyé à Mazarin tandis qu'il était à Saint-Jean de Luz,
fut intercepté par un employé de la poste aux lettres, et
communiqué au surintendant; il en prit copie, et le laissa ensuite
parvenir à sa destination [371]. Mais, embarrassé sur les mesures qu'il
lui fallait prendre pour déconcerter le projet formé contre lui, il
appela près de lui Gourville, et lui fit part de ce qu'il avait découvert.
Gourville, pour parer aux dangers qui menaçaient Fouquet, fit voir
une habileté consommée et une présence d'esprit admirable.
Mazarin avait besoin d'argent pour le succès de ses négociations; et
si elles réussissaient, il lui en fallait encore plus pour les dépenses
qu'occasionnerait le mariage du roi. Il en demandait donc au
surintendant. Celui-ci lui dépêcha Gourville pour s'expliquer avec lui
sur cette demande. Gourville exposa que tous les fonds dont le
surintendant pouvait disposer étaient épuisés, qu'il ne pouvait plus
en trouver que sur son crédit; mais que ce crédit n'était fondé que
sur l'opinion de la faveur dont il jouissait auprès du roi et de son
éminence. Il était donc bien important, si l'on voulait que le
surintendant continuât à rendre les mêmes services, que des
marques signalées de confiance lui fussent données, et qu'on fît
disparaître, autrement que par de vagues assurances, les bruits qui
couraient que par suite des calomnies du sieur Colbert, et à son
instigation, la disgrâce du surintendant était imminente. Tant que la
moindre trace de cette opinion subsisterait, il ne fallait pas espérer
que le surintendant ni aucun de ses amis pussent trouver un seul
prêteur. Dans une seconde conférence qui eut lieu sur ce sujet entre
Mazarin et Fouquet, ce dernier confirma tout ce qu'avait dit
Gourville. Le surintendant se répandit en même temps en plaintes
amères sur Colbert, et laissa percer qu'il avait connaissance du
mémoire que celui-ci avait écrit contre lui. Cependant Fouquet
affirmait que Colbert avait été le premier à lui faire des offres de
service, et qu'il ne s'était déclaré son ennemi que parce qu'il avait
refusé d'accéder aux demandes injustes de plusieurs de ses parents.
Mazarin, pour obtenir les millions dont il avait besoin, se détermina à
donner toute satisfaction au surintendant, à écrire à Colbert dans le
plus grand détail, et, sans émettre aucune opinion sur les
accusations dirigées contre le surintendant, ni sur les justifications
qu'il faisait valoir, il exhorta Colbert à aller voir ce dernier aussitôt
qu'il serait de retour à Paris, et à travailler à détruire dans son esprit
l'idée que lui, Colbert, était son ennemi personnel.
Colbert, dans une longue lettre qu'il écrivit à Mazarin, en réponse à
celle dont nous venons de faire l'analyse, examine avec une grande
sagacité comment le mémoire qu'il avait envoyé à son éminence,
connu de lui seul, a pu l'être de Fouquet. Après avoir épuisé tous les
moyens par lesquels on peut supposer que ce secret a été divulgué,
Colbert conclut qu'il n'y en a qu'un seul possible: c'est la trahison du
sieur Nouveau, officier des postes, qu'il n'hésite pas à croire
coupable; et à cet égard il ne se trompait pas [372]. Dans une seconde
lettre, qui fait suite à la première, Colbert se justifie des accusations
que Fouquet avait portées contre lui, et avoue les obligations qu'il lui
a: il prouve qu'au lieu de se montrer ingrat envers le surintendant, il
a cherché, au contraire, à lui rendre le plus éminent de tous les
services, en l'engageant à renoncer à des pratiques et à des
opérations qui pouvaient nuire à sa réputation et avoir pour lui les
plus fâcheuses conséquences. Malgré cet avertissement, les rapines
et les dilapidations de Fouquet et de ses agents n'ont fait
qu'augmenter. C'est alors que Colbert a cru de son devoir de
s'écarter du surintendant, et d'avoir avec lui le moins de relations
possible [373]. Quant au désir que Fouquet témoignait de faire cesser
cet état de choses, et de bien vivre avec Colbert, celui-ci répond:
«Cela lui sera très-facile: car ou il changera de conduite, ou votre
éminence agréera celle qu'il tient, ou l'excusera sur la disposition
présente des affaires, ou enfin elle trouvera que ses bonnes qualités
doivent l'emporter sur ses mauvaises; et, dans quelque cas que ce
soit, je n'aurai aucune peine à me conformer aux intentions de votre
éminence, lui pouvant protester devant Dieu qu'elles ont toujours
été et seront toujours les règles des mouvements de mon
esprit [374].»
Lorsque après le mariage du roi toute la cour et les ministres
revinrent à Paris, Colbert eut avec Fouquet l'entretien que Mazarin
avait désiré; mais cet entretien ne calma pas les craintes et les
défiances du surintendant, peut-être même ne fit-il que les
augmenter. Le sentiment des dangers dont il se croyait menacé le
troubla au point de lui faire prendre les mesures les plus
imprudentes, de former les desseins les plus insensés. Confiant dans
le grand nombre d'amis, d'obligés et de créatures qu'il avait dans les
plus hautes places comme dans les plus infimes, il traça un plan
d'instruction sur ce que tous auraient à faire dans le cas où, arrêté à
l'improviste, il n'aurait pas le temps de fuir. Il fortifia Belle-Isle, qu'il
avait achetée. Son projet ne tendait à rien moins qu'à une résistance
à main armée, à une rébellion ouverte. La mort de Mazarin vint
bientôt soulager Fouquet, et effacer de son esprit toute pensée de
cette nature. Les souvenirs de la Fronde avaient pu lui faire
concevoir la possibilité de lutter avec un ministre, mais non pas avec
le roi; et d'ailleurs, bien loin de soupçonner qu'il eût rien à redouter,
il se croyait en faveur. Cependant le brouillon de son ancien projet,
trouvé derrière un miroir dans sa maison de Saint-Mandé, forma la
base de l'accusation dirigée contre lui, compromit toutes les
personnes qui y étaient nommées, et faillit lui coûter la vie [375].
Fouquet se trompait sur les intentions de Mazarin, qui n'étaient
nullement hostiles à son égard. Mazarin rendait justice à ses grands
talents, et aurait voulu même n'en pas priver son roi.
Les moyens qu'avait employés Richelieu pour gouverner Louis XIII
furent les mêmes que ceux dont Mazarin fit usage pour conserver
son ascendant sur Louis XIV. Tout le secret de ces deux ministres fut
de démontrer sans cesse à leurs souverains que les membres de
leurs familles, les plus chers objets de leurs affections, les
courtisans, les prêtres, les guerriers, les gens de loi, cherchaient
tous également à se servir de l'autorité royale, ou à mettre obstacle
à son action, par un seul et unique motif, leur intérêt propre. Il était
facile à ces ministres de prouver que cet intérêt était presque
toujours en opposition directe à celui de la puissance royale et à la
prospérité du royaume, dont les rois étaient comptables envers Dieu
et envers leurs sujets. Le père comme le fils eurent assez de
jugement et de discernement pour reconnaître qu'une partie des
haines que s'attirait celui auquel ils résignaient leur pouvoir était due
à sa fermeté pour soutenir leur sceptre et accroître la splendeur de
la monarchie. Tels furent les seuls points de ressemblance entre les
deux rois et les deux ministres; mais la différence des âges et des
caractères fit naître dans leurs positions, leurs sentiments et leur
conduite plus de contrastes que de similitudes. Richelieu imposa son
joug à son maître, et le lui fit détester; Mazarin accoutuma son
pupille à se soumettre au sien, et le lui fit aimer. Les deux rois
éprouvaient également le besoin de se laisser conduire; mais dans
Louis XIII ce sentiment n'était que la conscience de sa faiblesse et
de son impéritie; dans Louis XIV c'était l'instinct d'une âme
énergique et élevée, qui se sent capable d'égaler de grands
modèles, mais qui reconnaît le besoin de s'instruire et redoute son
inexpérience. Comment Louis XIV n'aurait-il pas conçu de
l'attachement pour Mazarin? Dès que ce roi enfant eut atteint l'âge
de raison, ne vit-il pas de ses yeux Mazarin proscrit, dépouillé de
tous ses biens, menacé de perdre la vie, en butte à la violence de
tous les partis, uniquement parce qu'il soutenait les droits de la
couronne contre le peuple, le parlement et les nobles? Ce fils, l'objet
de tous les soins et de toute la tendresse de sa mère, dès qu'il fut
capable d'un sentiment, put-il ne pas se montrer sensible aux larmes
de cette mère, à ses gémissements, à ses anxiétés, à ses
ressentiments, lorsqu'elle fut forcée de consentir à l'éloignement de
celui qui était son seul appui, son seul conseil? Ne fut-il pas habitué
par elle à prier Dieu sans cesse à ses côtés pour le succès de tout ce
qu'entreprenait le cardinal? Les premières peines qu'éprouva Louis
XIV, ce fut donc Mazarin qui les causa; les premiers vœux qu'il forma
furent pour Mazarin, et les premiers plaisirs qu'il goûta lui vinrent
aussi de Mazarin; car c'est dans la famille de ce ministre qu'il trouva
les aimables compagnes de ses jeux d'enfance. L'une d'elles fut
l'objet de la plus forte passion de son adolescence; et quand, jeune
homme, il put comprendre ce que c'était que la gloire, les premiers
préceptes qu'il en reçut lui furent donnés par Mazarin. Ce ministre lui
inculqua un juste mépris pour les rois fainéants; il lui inspira la
crainte de se voir classé parmi eux, et il fortifia en lui la volonté de
régner par lui-même. L'admiration de Louis XIV pour Mazarin et la
confiance qu'il avait en lui durent s'accroître encore lorsque, après le
refus de le laisser épouser sa nièce, il le vit, au milieu des douleurs
de la goutte, hâter sa fin prochaine par un travail excessif, afin de
terminer les négociations du mariage avec l'infante, auxquelles
étaient attachés la paix, le repos et l'avenir de la France [376].
Louis XIV, qui se trouvait à cette époque de la vie où l'on n'est point
en garde contre les illusions, fut vivement touché des derniers
témoignages de tendresse qui lui furent donnés par Mazarin et des
dernières marques de ses sollicitudes. En effet, ce ministre déjà
condamné par les médecins, certain de mourir, comprimant ses
douleurs, surmontant sa faiblesse, et, selon l'énergique expression
de madame de Motteville, faisant bonne mine à la mort [377], ne
perdit pas un moment pour donner au jeune roi toutes les
instructions dont il avait besoin. Il tint de fréquents conseils, afin de
le mettre au courant de toutes les affaires qui devaient s'y traiter; et
après ces conseils il passait encore trois ou quatre heures avec son
royal élève dans des conférences particulières. De peur que sa
mémoire ne pût retenir tous les enseignements qu'il lui donnait, il
prenait ensuite le soin de les rédiger par écrit, afin que lorsqu'il
aurait cessé de vivre, Louis XIV pût y recourir. Il lui démontrait la
nécessité de régir par lui-même toutes les grandes affaires et de les
embrasser dans tous leurs détails; surtout de mettre de l'ordre dans
les finances, et de ne s'en fier qu'à lui-même pour ce ressort
principal de son gouvernement, comme pour la guerre et pour les
négociations avec les puissances. Il lui recommanda de ne livrer
aucun de ses secrets ni à sa femme, ni à ses maîtresses, ni à ses
courtisans, ni à ses domestiques; de n'avoir ni favori ni premier
ministre [378]; et de veiller, au contraire, à ce que les ministres qu'il
choisirait se renfermassent chacun dans les attributions de leur
département, et ne s'occupassent que des affaires qu'il leur
confierait.
Lorsque Mazarin s'aperçut que son dernier jour approchait, il fit au
jeune roi une confession entière; lui révéla les abus auxquels pour
garder le pouvoir il avait été obligé de participer; ceux qu'il n'avait
pu empêcher: il ne lui cacha pas quelle était son immense
fortune [379], et par quels moyens il l'avait acquise; le sort futur et la
grandeur de sa famille et de son nom, cet ouvrage de toute sa vie, il
mit tout à la disposition de son royal élève, et par un acte
authentique il lui fit donation pleine et entière de tous ses biens [380].
L'effet de cette franchise fut tel que Mazarin l'avait prévu. Louis XIV,
plus pénétré de reconnaissance pour les éminents services de son
ministre, après ces humiliants aveux, qu'il ne l'était avant, n'accepta
rien du don qui lui était fait; il rendit à Mazarin toutes ses richesses,
quoiqu'elles fussent assez considérables pour tenter la cupidité d'un
roi.
Le grand mérite de Richelieu et de Mazarin, comme ministres
ambitieux de gouverner, fut d'avoir su discerner le caractère du
souverain dont le pouvoir leur était délégué, et d'y avoir assujetti
leur conduite. Louis XIII et Louis XIV différaient encore plus par le
naturel que par l'âge. Le premier, timide, indolent, soupçonneux,
réservé; le second, fier, impétueux, énergique, ferme et constant
dans ses résolutions; capable d'effort et d'application. Richelieu
berça son roi dans sa faiblesse, et le retint dans la retraite et dans
l'obscurité de la vie privée, afin qu'il n'eût ni la possibilité ni l'envie
de lui reprendre un pouvoir qu'il ne lui laissait qu'à regret; il le
domina toujours, et régna par lui, sur lui, et sans lui. Mazarin, au
contraire, mit toujours en avant son roi dès qu'il fut sorti de
l'enfance; il l'exerça de bonne heure à remplir les fonctions royales; il
lui en montra toutes les difficultés, et l'instruisit sur les moyens de
les surmonter; il mit tout son art à s'immiscer dans sa confiance, et
composa avec ses passions pour les diriger; mais il sut leur résister
et les dominer, lorsqu'elles compromettaient l'intérêt de l'État et la
dignité du trône [381]: il le tint sans cesse près de lui à l'armée, dans
le cabinet, dans les voyages; il partageait et soignait ses plaisirs,
mais le forçait de s'adjoindre à ses occupations; et, bien loin de
réprimer ses impérieuses dispositions, il s'en servait pour dégager
son autorité de toutes les influences qui pouvaient l'entraver [382]:
peu soucieux de cultiver dans son élève les vertus de l'homme privé,
mais actif, mais habile à développer dans cette âme altière toutes les
qualités d'un grand roi.
Richelieu et Mazarin n'étaient rien par eux-mêmes, et ne s'étaient
élevés ni par la naissance ni par l'influence des richesses ou d'un
sang illustre; ils ne pouvaient gouverner qu'en comprimant les
grands et la cour. Richelieu y parvint par les échafauds et la terreur,
et il fit si bien qu'il n'y eut plus de cour ni de courtisans. Il manifesta
toute la force de son despotisme en isolant son roi de sa mère, de sa
femme, de tous les princes de son sang, et même de ses favoris et
de ses familiers quand ils lui portaient ombrage. Mazarin, au
contraire, affermit sa puissance en y agglomérant tous les intérêts
personnels, en ralliant autour du monarque toute sa famille, autour
du trône tous les grands du royaume; en faisant cesser les craintes
et en suscitant les espérances. Mazarin parvint au même but que
Richelieu par des moyens non-seulement différents, mais contraires.
Richelieu affligea et humilia la vieillesse de Louis XIII par de
sanglantes proscriptions contre ceux qui avaient été le plus honorés
de la confiance et de la faveur royale; jamais Mazarin ne mit
obstacle ni aux amitiés ni aux amours de la jeunesse de Louis XIV, ni
à sa tendresse filiale; mais il sut lui faire comprendre que tous les
intérêts étaient continuellement en lutte contre celui dont le devoir
est de défendre l'intérêt public; qu'un roi était un être à part, qui
n'était ni fils, ni parent, ni ami, ni amant, là où les affaires de son
royaume étaient engagées; que lui seul était responsable de tout le
mal qu'il n'empêchait pas, de tout le bien qui était à faire, et qui ne
se réalisait pas [383].
Bien loin d'écarter du roi la foule des courtisans, comme Richelieu
l'avait fait, Mazarin environna le monarque d'une cour brillante. Mais
l'habile ministre, pour n'avoir rien à redouter de cette cour, voulut en
être le chef; il voulut qu'elle lui appartînt, qu'elle se confondît avec
sa propre maison; et en la composant, la payant et la dirigeant lui-
même, il en obtint tous les avantages, et évita tous les inconvénients
dont Richelieu n'avait pu se garantir qu'en l'anéantissant. C'est là
une des parties de la politique de Mazarin qui a été la moins
comprise. Ce faste royal qu'il affecta, ces superbes colléges qu'il
fonda, ces magnifiques palais qu'il orna, ces repas somptueux, ces
fêtes qu'il donna, ces gardes, ces officiers dont il entourait le faste
de sa maison, tandis que celle du jeune roi était, sans lui, petite,
mesquine et mal payée, tout cela a été attribué à son orgueil, tandis
que c'était, au contraire, l'effet d'une prudence consommée et d'une
haute prévision. Il évitait par ce moyen les fortes influences qui
n'auraient pas manqué de s'exercer à l'entour de son royal pupille,
par les grandes charges et les riches emplois de ceux qui auraient
été attachés à sa personne. Par l'attitude que Mazarin avait prise, il
ne semblait point être, comme Richelieu, l'usurpateur du sceptre
royal, le dominateur de la couronne; mais, comme lui, il voulait
montrer qu'il en soutenait tout le poids, et paraissait en être moins
l'agent et le serviteur que le protecteur et l'appui. Cette déférence
qu'avaient pour lui la reine mère et le roi en souscrivant à cet ordre
de choses lui soumit les grands et les courtisans, rendit l'obéissance
facile, et l'obséquiosité même honorable. Comme le séjour de
Vincennes était favorable à sa santé, la cour s'y transportait souvent
tout entière [384]. Les conseils ne se tinrent plus, vers la fin, que dans
sa chambre à coucher [385]. Le roi veillait lui-même à ce qu'on ne
l'interrompît point dans ses heures de travail, à ce qu'on ne troublât
pas celles de son repos. Ses envieux et ses ennemis s'indignaient de
ces attentions du jeune monarque, et les regardaient comme une
profanation de la majesté royale; ils disaient énergiquement que
jamais ministre n'avait fait plus que Mazarin litière de la royauté [386].
C'est qu'en effet le roi, la cour, l'État, tout se confondait alors dans la
personne de ce ministre, qui jamais ne rendit de plus signalés
services que quand il fut près de descendre dans la tombe.
Je ne dirai plus qu'un mot sur Richelieu et Mazarin. Tons deux
moururent, après avoir agrandi le royaume et consolidé la
monarchie, sans être regrettés. Louis XIII lui-même se réjouit de la
mort de son ministre; mais Louis XIV pleura le sien. Le soupçonneux
Mazarin crut s'apercevoir, dans les derniers jours de la maladie qui le
conduisit au tombeau, que le jeune roi était empressé de sortir de sa
tutelle, et qu'il désirait peut-être sa mort: cette idée accrut les
douleurs de ses derniers moments [387]. Son erreur fut comme une
juste punition de son ambition; car au contraire Louis XIV fut le seul
qui après la mort de Mazarin montra cet abattement, cette tristesse
insurmontable qui accompagne la perte de quelqu'un qui nous est
cher et qui laisse un grand vide dans notre existence. Depuis, par
tous ses discours et toutes ses actions, le monarque n'a pas donné
lieu de douter de la sincérité de ses regrets; il accomplit
religieusement toutes les dernières volontés de Mazarin, quoiqu'elles
le forçassent à conférer à la famille de ce ministre des faveurs
exorbitantes; il exécuta tout ce qu'il avait prescrit, en mourant,
relativement aux affaires d'État; et Mazarin dans la tombe sembla
gouverner encore la France [388]. Cette haute opinion que le
monarque avait de son ministre et la reconnaissance qu'il croyait lui
devoir lui firent traiter dans le commencement avec des égards et
des honneurs qui n'étaient dus qu'à un prince du sang ce pauvre et
ridicule Armand de La Porte, auquel on imposa l'immense fortune et
le nom de Mazarin, avec une des plus belles et des plus spirituelles
femmes de ce temps [389]. A une époque où il n'était plus permis de
douter que Louis XIV n'eût le désir et le talent de gouverner par lui-
même, il a plusieurs fois déclaré que si Mazarin avait vécu, il lui
aurait laissé longtemps encore entre les mains le pouvoir et la
conduite des affaires. Dans plusieurs de ses lettres et de ses écrits,
Louis XIV donne fréquemment l'épithète de grand homme à
Mazarin [390]. Il consultait souvent les instructions qu'il lui avait
laissées [391]; il se plaisait à lire, en présence de Condé et de ceux qui
avaient été le plus opposés à Mazarin, les passages les plus
remarquables de ces instructions, afin de justifier la haute estime
qu'il avait pour sa mémoire [392]. Rien n'est plus à la gloire de
Mazarin, rien n'est plus propre à nous faire concevoir une grande
idée de ses talents et de sa capacité, que cette opinion qu'avait de
lui un monarque qui, de tous ceux qui ont occupé un trône, s'est
montré le plus judicieux et le plus habile appréciateur des hommes.
Rien aussi ne prouve plus le discernement et l'impartialité de
Mazarin, et combien, même à son lit de mort, il avait à cœur l'intérêt
du monarque et de la monarchie, que le conseil qu'il donna à Louis
XIV, dans ses derniers moments, d'employer Fouquet [393]. Il le lui
indiqua comme l'homme le plus capable de le bien seconder dans
l'administration de son royaume, comme celui de tous les ministres
qui connaissait le mieux les personnes et les ressources de la
France; mais en même temps il recommanda au jeune roi de faire
cesser les dilapidations du surintendant et de ses agents, en
établissant un ordre rigoureux dans les finances. Il l'instruisit des
moyens d'y parvenir, et pour les mettre en œuvre il lui donna
Colbert.
Colbert fut donc nommé intendant des finances, et chargé de tenir
ce fameux registre des fonds dont nous avons parlé [394].
Louis XIV, dès les premiers jours qu'il travailla avec Fouquet, l'avertit
que son intention était d'être instruit de tout ce qui concernait ses
finances, et de donner tous ses soins à cette partie de son
gouvernement. Il lui défendit de signer aucun traité, aucun bail à
ferme, sans lui en donner connaissance [395]. Si Fouquet avait su
aussi bien que Mazarin discerner le caractère du jeune roi, il n'eût
pas manqué d'y conformer sa conduite: il eût avoué les fautes du
passé, indiqué les moyens de les réparer, organisé l'avenir. Grand
financier et bon administrateur, il se serait associé à la gloire de ce
beau règne, il en eût augmenté l'éclat, et eût joué un rôle non pas
plus glorieux, mais plus brillant, que celui de Colbert.
Fouquet crut que la mort de Mazarin l'avait délivré du seul obstacle
qui s'opposait à son ambition [396]. Sa supériorité sur Le Tellier et sur
de Lionne (ministres cependant très-habiles [397]); l'importance des
affaires dont il était chargé; la préférence que le roi lui accordait, en
traitant avec lui seul les affaires les plus délicates et les plus
secrètes [398]; la multitude de clients, d'amis, de pensionnaires qu'il
avait près du monarque, dans toute la France, dans toutes les
branches d'administration; la faveur de la reine mère; enfin la
composition du conseil, qui lorsqu'on opinait se bornait à trois voix,
dont une, celle de de Lionne, lui était vendue [399], tels étaient les
motifs de la confiance de Fouquet, les causes de son aveuglement.
Le Tellier, son ennemi secret, dissimulait, et paraissait ne mettre
aucun obstacle au désir que le surintendant avait d'occuper le
premier rang [400]. Colbert travaillait dans l'ombre.
Tout semblait en apparence favorable aux desseins de Fouquet.
Louis XIV s'était laissé jusque alors guider par sa mère et par
Mazarin, tant pour les choses qui lui étaient personnelles que pour
celles de l'État, et Fouquet ne pouvait se persuader qu'il voulût
sérieusement régler par lui-même les unes et les autres, et
reprendre à la fois l'autorité d'un roi et les pénibles fonctions d'un
premier ministre [401]. Déjà donc le surintendant assignait le terme,
peu éloigné, où son jeune maître, fatigué de tant de détails, si
propres à le rebuter, allait le charger d'un fardeau que son
inexpérience et le seul attrait de la nouveauté l'avaient engagé à
essayer de soulever. La fascination de Fouquet à cet égard était telle,
qu'il offrit à la reine mère d'employer ses bons offices et la faveur
dont il jouissait pour lui redonner l'influence qu'elle avait eue
autrefois sur son fils, et que Mazarin par ses conseils, qui furent
alors taxés de noire ingratitude, lui avait fait perdre [402]. Pour
s'acquérir sur les affaires ecclésiastiques la même prépondérance
qu'il se promettait dans toutes les autres parties dit gouvernement,
lorsqu'il faisait ces offres à la reine mère, Fouquet négociait en
même temps avec le cardinal de Retz, afin d'obtenir de lui, à prix
d'argent, qu'il donnât sa démission de l'archevêché de Paris. Le
surintendant ne doutait pas qu'il ne lui fût facile de faire ensuite
nommer à ce siége si envié un de ses frères, déjà archevêque [403].
La présomption, défaut ordinaire des esprits prompts, faciles,
féconds en ressources, empêcha Fouquet de reconnaître les dangers
de la route où il s'engageait. Il en fut averti cependant par ses
principaux collaborateurs, et surtout par le plus habile et le plus
clairvoyant de tous, Pellisson [404]; mais il ne voulut pas se rendre à
leurs conseils: peut-être ne le pouvait-il plus. Il continua hardiment
son système de fraude et de déception, et présenta au roi de faux
états de situation, qui, sans qu'il le sût, étaient aussitôt rectifiés par
Colbert, au moyen du registre des fonds et des écritures de
l'épargne, tenus alors sous son inspection avec une rigoureuse
exactitude. Les états au vrai, présentés chaque jour au roi par
Colbert, dévoilèrent toutes les concussions et les fourberies du
surintendant, et les plaies profondes faites à l'État par sa connivence
avec les traitants ou les fermiers des impôts. Louis XIV fut outré de
se voir ainsi joué par son ministre, et de se trouver en quelque sorte
sous sa dépendance pour la partie principale de son gouvernement.
Le nombre des amis et des créatures que se faisait le surintendant
en prodiguant l'argent du royaume, son luxe, ses fêtes somptueuses,
les prétentions qu'il manifestait de remplacer Mazarin, ses intrigues,
le grand nombre de ses partisans, la haute opinion qu'on avait de
lui, tout contribua à accroître encore l'animadversion du jeune
monarque. Dès lors le plan que Colbert avait proposé autrefois à
Mazarin pour mettre en jugement ce grand coupable, et opérer le
rétablissement des finances, fut de nouveau reproduit. Louis XIV
l'adopta; et il ajouta encore à la rigueur des mesures qu'il contenait
contre la personne de Fouquet [405]. Ce plan une fois arrêté, il fallut
forcément en différer l'exécution. Fouquet n'avait pas cessé de
fortifier Belle-Isle, où il aurait pu se retirer et chercher à produire
quelque mouvement parmi la jeune noblesse et le peuple de la
Bretagne et de la Normandie, deux provinces écrasées d'impôts et
fort mécontentes. De plus, les priviléges de la charge de
surintendant, qui soustrayaient Fouquet à la juridiction des cours
souveraines, et le rendaient justiciable du roi seul, autorisaient bien
la formation d'une commission spéciale nommée par le roi pour
juger Fouquet, conformément au plan proposé par Colbert; mais
cette forme était à juste titre considérée comme illégale, injuste et
despotique, par les parlements; et Fouquet n'était pas seulement
surintendant général des finances, il était encore procureur général
du parlement de Paris. Nul doute que cette puissante compagnie, si
on avait voulu faire juger par commission son principal officier, ne s'y
fût opposée, et n'eût évoqué cette affaire comme étant du ressort de
sa juridiction. Il fallait donc différer l'accusation de Fouquet et bien
dissimuler les projets formés contre lui, jusqu'à ce qu'on l'eût
déterminé à vendre sa charge de procureur général; et, comme je
l'ai dit, on en vint à bout en lui donnant l'espoir d'être compris dans
la promotion de chevaliers des ordres du roi, qui allait avoir lieu [406].
Il ne faut pas partager l'erreur où sont tombés ici tous les historiens,
et considérer cette époque du règne de Louis XIV comme celle qui
l'a suivie, lorsque le roi, affermi par l'exercice de sa puissance, ôtait
par sa seule parole jusqu'à la pensée même de lui résister. Lors
même que les grandes crises politiques sont apaisées, il existe
toujours, quand elles sont récentes, des habitudes d'insubordination
qui excitent les justes craintes du pouvoir et augmentent ses
embarras. Nous voyons par des lettres non encore publiées de
Mazarin [407] à Colbert, qui sont sous nos yeux, que tandis que ce
ministre était occupé à Saint-Jean-de-Luz aux négociations de la
paix, il craignait que la Normandie, à laquelle cette paix ne plaisait
pas, ne se soulevât, et qu'il faisait surveiller cette province. Dans le
même temps, malgré son opposition et les ordres formels du roi,
Mazarin ne put empêcher Turenne d'offrir et d'envoyer de l'argent et
des troupes au duc d'York, dans le but de rétablir son frère Charles
II sur le trône, quoique rien ne fût plus contraire à la politique que le
ministre avait adoptée dans les intérêts de la France [408]. Louis XIV,
qui n'ignorait aucun des obstacles qu'il avait fallu vaincre, devait
craindre que sa jeunesse et l'opinion que l'on avait de son
inexpérience et de son peu de connaissance des affaires ne fussent
la cause de nouvelles désobéissances. Il faut aussi rappeler que
Fouquet n'était pas seulement un habile financier, qui dans des
occasions importantes avait su créer des ressources et réaliser des
sommes immenses, lorsque l'État était dans un discrédit complet;
Fouquet était encore un grand ministre, à vues étendues et
profondes; il était le seul qui dans le conseil eût songé aux intérêts
du commerce. Plusieurs vaisseaux armés pour son compte
fréquentèrent les Antilles, le Sénégal, la côte de Guinée, Madagascar,
Cayenne, Terre-Neuve. Il encouragea les particuliers à s'intéresser
dans ces différentes entreprises; et c'est à lui que les colonies
françaises durent de pouvoir se soutenir contre les rivalités de
l'Espagne, de l'Angleterre, de la Hollande. Il établit un fret sur les
vaisseaux étrangers pour protéger la navigation: la pêche de la
É
sardine à Belle-Isle, qui produisit plusieurs millions à l'État, lui était
due entièrement [409]. Il était donc aussi considéré, aussi aimé des
commerçants, des bourgeois, que des courtisans et des hommes de
lettres: pour tous il semblait être le ministre indispensable.
Un autre motif encore plus fort que tous ceux que nous venons
d'énumérer forçait Louis XIV de différer l'exécution du projet conçu
contre Fouquet: c'était le manque d'argent. Fouquet devait faire des
versements, mais il fallait en attendre les échéances. Telle était la
pénurie de l'épargne, que, quoique ces versements eussent été
effectués au moment de l'arrestation de Fouquet, Louis XIV se vit
obligé d'écrire au duc de Mazarin pour lui demander de lui prêter
deux millions [410].
Enfin, une raison majeure d'intérêt public fixait une époque avant
laquelle on ne pouvait songer à rien entreprendre contre Fouquet.
L'arrestation et la mise en jugement du surintendant, la création
d'une chambre de justice, entraînaient la résiliation de tous les baux,
de tous les traités à ferme conclus avec ceux qui devaient être cités
devant cette chambre; tous ces baux, tous ces traités devaient être
promptement renouvelés, afin que la perception des impôts et des
différentes branches de revenus publics n'éprouvât point de retard.
Cela ne pouvait se faire avec avantage qu'en automne; et lorsque
Louis XIV eut arrêté dans son esprit l'exécution du projet de Colbert,
on n'était encore qu'au printemps [411].
 CHAPITRE XVIII
1661-1664.

Fouquet cherche à séduire mademoiselle de La Vallière.—Le roi, dans un

moment de colère, veut le faire arrêter au milieu d'une fête qu'il lui
donnait.—La reine-mère l'en empêche.—Fouquet a connaissance de
l'ordre qu'avait donné le roi.—Fouquet fait à Louis XIV un aveu des abus
qu'il s'était permis, et promet une réforme complète.—Cet aveu ne
satisfait pas Louis XIV.—Différence des effets produits par les gains illicites
de Mazarin et par ceux de Fouquet, relativement à l'État.—Louis XIV ne
pouvait pardonner à Fouquet sans détruire le plan qu'il avait formé pour
la restauration des finances.—Fouquet de son côté ne pouvait reculer.—Il
continue dans le même système de corruption et de profusion.—Louis XIV
dissimule.—Il fait arrêter le surintendant.—Beau trait d'éloquence de
Pellisson au sujet de la dissimulation du roi, qui a causé la perte de
Fouquet.—Louis XIV établit l'ordre dans ses finances.—On poursuit les
traitants, et on fait rentrer à l'épargne des sommes considérables.—
L'affaire de Fouquet était un coup d'État, par le grand nombre de
personnes qui furent citées à la chambre de justice.—Rigueur mise dans
le procès de Fouquet; effet qu'elle produit.—Manière dont on a jugé la
conduite de Louis XIV en cette circonstance.—Position des hommes qui
exercent le pouvoir, à l'égard de leur siècle et de la postérité.

Ce fut avec peine que le jeune roi se soumit à une aussi longue
dissimulation. La contrainte qu'il éprouvait pour laisser croire au
surintendant qu'il était dupe de ses stratagèmes augmentait
l'irritation que lui causait un délai nécessaire. Cependant Fouquet,
plongé dans une funeste sécurité, continuait son genre de vie
habituel, mêlant toujours la galanterie aux affaires. Il chercha à
séduire la belle La Vallière, et voulut acheter ses faveurs à prix
d'argent. La résistance qu'il éprouva lui fit découvrir qu'elle était
aimée du roi. Possesseur d'un secret encore ignoré de toute la cour,
Fouquet crut pouvoir en profiter pour son ambition [412]. Ne doutant
pas que les promesses d'un ministre aussi puissant que lui ne
pouvaient qu'être agréables à mademoiselle de La Vallière, il
s'empressa de l'entretenir en particulier, et de lui offrir son concours
pour tirer le plus d'avantages possible de sa position. La douce, la
modeste La Vallière, que l'amour seul avait entraînée hors de la
route de l'honneur, et qui ne voyait dans le beau et jeune Louis que
l'amant et non le roi, rougit en écoutant le surintendant, et se retira
sans lui répondre. Fouquet interpréta ce silence en sa faveur, et le
regarda comme un consentement qu'un reste de pudeur dans une
jeune fille encore novice ne lui avait pas permis d'exprimer d'une
manière plus explicite [413]. Mais La Vallière était restée muette
d'étonnement et de honte, en apprenant qu'une autre personne que
celle qui servait d'intermédiaire entre elle et le roi avait connaissance
de sa coupable liaison. En faisant à son amant le sacrifice de sa
vertu, elle avait obtenu de lui la promesse que sa réputation serait
respectée et que le voile le plus épais couvrirait leurs amours. Quelle
fut sa douleur d'apprendre que le seul bien qui lui restât allait lui
échapper! Elle redit tout au roi, en répandant d'abondantes larmes.
La fureur de Louis XIV contre le surintendant fut portée au plus haut
degré. Il n'y avait donc plus de secret dont cet audacieux ministre ne
parvînt à se procurer la connaissance? Ses perfides intrigues le
poursuivaient sans cesse et partout, jusque dans son intérieur le
plus intime, jusque dans le cœur de celle qu'il aimait! Il aspirait au
moment où il lui serait enfin permis d'en faire justice. C'est alors que
Fouquet, toujours abusé, toujours dans l'opinion qu'il était l'homme
le plus agréable à son roi, le seul nécessaire, lui donna à Vaux cette
magnifique fête dont nous avons parlé. Ce jour, Louis XIV aperçut,
dans un des cabinets du château de Vaux, un portrait de
mademoiselle de La Vallière, qu'un peintre avait exécuté sans qu'elle
le sût. A la vue de ce portrait, le jeune monarque ne put contenir
son ressentiment. Il éclata: dans son premier mouvement, il donna
l'ordre d'arrêter le surintendant au milieu même de la fête, et dans
sa propre maison. La reine mère, qui se trouvait là, n'eut pas de
peine à démontrer à son fils l'inconvenance du lieu et du moment, et
l'ordre fut révoqué [414]. La reine mère avait attribué la colère du roi à
un mouvement de jalousie; mais elle apprit bientôt que cette cause
de l'animadversion de son fils envers le surintendant n'était pas la
seule: elle fut instruite de tous les projets formés depuis longtemps
contre lui. La duchesse de Chevreuse, qui avait beaucoup de crédit
sur son esprit, sut lui persuader de n'y mettre aucun obstacle. Cette
intrigante duchesse était devenue l'ennemie du surintendant depuis
qu'elle avait épousé en secret de Laigues, qui croyait avoir à s'en
plaindre [415].
Cependant le mouvement de colère auquel Louis XIV s'était
abandonné, cet ordre donné et révoqué trahit ses desseins, et
Fouquet en fut averti par madame Duplessis-Bellière, un de ses plus
habiles et de ses plus courageux agents, dans les affaires de
finances comme dans les intrigues d'amour [416]. Fouquet aperçut dès
lors toute la profondeur du précipice où il était près de tomber. Il
crut pouvoir éviter sa chute en imitant Mazarin: il fit au roi l'aveu de
ses fautes, et promit une réforme complète. Mais son aveu et ses
promesses ne conjurèrent pas l'orage, et ne firent que lui en
déguiser les approches. Louis XIV sembla pardonner, et dissimula si
profondément ses sentiments et ses pensées, qu'il fit illusion à
Fouquet, et le persuada qu'il n'avait plus rien à redouter [417]. Les
aveux de Fouquet n'avaient été que partiels; et alors, bien loin de
satisfaire Louis XIV, ils furent à ses yeux un tort de plus, puisqu'ils lui
paraissaient une nouvelle ruse pour le tromper encore. Fouquet
chercha aussi maladroitement (on le voit par ses défenses) à
s'autoriser de l'exemple qu'avait donné le premier ministre, et à
s'excuser par les pratiques que celui-ci s'était permises. Mais rien
n'était semblable ni dans la position ni dans la nature de la
culpabilité. Mazarin, en cumulant des abbayes, en recevant de
l'argent pour les charges qu'il conférait ou pour les grâces qu'il
accordait, en dépensant pour sa maison les sommes destinées à la
maison du roi [418], enlevait les moyens de s'enrichir à des courtisans
ambitieux, avides et frondeurs; mais ces concussions ne diminuaient
en rien les revenus publics; car aucune des sommes dont Mazarin
faisait son profit n'était destinée à entrer dans l'épargne; Mazarin ne
faisait donc rien perdre à l'État [419]. Fouquet, au contraire, ne
s'enrichissait qu'en le ruinant de plus en plus, puisque c'étaient les
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebookultra.com