Cet article traite du partitionnement optimal de l'espace de prédicteurs catégoriels dans le but de prédire la distribution a posteriori d'une variable réponse elle-mˆeme catégorielle. Cette partition optimale doit répondre à un double critère d'ajustement et de simplicité que prennent précisément en compte les critères d'information d'Akaike (AIC) ou bayésien (BIC). Après avoir montré comment ces critères s'appliquent dans notre contexte, on s'intéresse à la recherche de la partition qui minimise le critère retenu. L'article propose une heuristique rudimentaire et démontre son efficacité par une série de simulations qui comparent le quasi optimum trouvé au vrai optimum. Plus que pour la partition elle même, la connaissance de cet optimum s'avère précieuse pour juger du potentiel d'amélioration d'une partition, notamment celle fournie par un algorithme d'induction d'arbre. Un exemple sur données réelles illustre ce dernier point.