Aller au contenu

Analyse en Composantes Principales (ACP) et Exploration graphique interactive dans R

Analyse en composantes principales R Cette page traite de l'analyse en composantes principales (ACP) en utilisant le logiciel R. Elle présente les objectifs de l'étude, les traitements réalisés, et fournit des exemples pratiques pour aider les étudiants à comprendre et à appliquer cette méthode d'analyse statistique.

D'après le document Analyse en Composantes Principales (ACP) et Exploration graphique interactive dans R

Cet article a été rédigé automatiquement à partir du document source, puis vérifié avant publication.

Document source

Afficher l'aperçu du document

Consulter le document original →

Analyse en composantes principales R

Cette page traite de l'analyse en composantes principales (ACP) en utilisant le logiciel R. Elle présente les objectifs de l'étude, les traitements réalisés, et fournit des exemples pratiques pour aider les étudiants à comprendre et à appliquer cette méthode d'analyse statistique. Vous découvrirez également comment utiliser dynGraph pour l'exploration graphique interactive des résultats obtenus.

Objectifs de l'étude

Ce document reproduit une étude basée sur la procédure princomp() de R, en utilisant cette fois-ci la procédure PCA du package FactoMineR. L'analyse est complétée par une exploration graphique interactive à l'aide de dynGraph. Les résultats obtenus sont cohérents avec ceux d'études antérieures. Nous allons réaliser une ACP sur un fichier de données concernant une série de véhicules, en traitant à la fois des variables actives et des variables illustratives.

Traitements réalisés

  • Réaliser une ACP sur un fichier de données.
  • Afficher les valeurs propres et construire le graphique éboulis des valeurs propres.
  • Construire le cercle de corrélations.
  • Projeter les observations dans le premier plan factoriel.
  • Positionner des variables illustratives quantitatives dans le cercle des corrélations.
  • Positionner les modalités d’une variable illustrative catégorielle.
  • Exploration graphique interactive à l’aide de dynGraph.

Données disponibles

Les données utilisées dans cette analyse comprennent des informations sur plusieurs véhicules, avec des variables actives et des variables illustratives qualitatives et quantitatives. Les variables actives incluent des caractéristiques telles que le cylindre, le poids, et le prix, tandis que les variables illustratives comprennent des informations sur la finition et d'autres attributs.

Importation et statistiques descriptives

# Librairie pour lire le fichier Excel
library(xlsx)
# Changement de répertoire
setwd("c:/mon répertoire/...")
# Chargement des données
autos.data <- read.xlsx(file="autos_acp_factominer_dyngraph.xls", header=T, sheetIndex=1)
# Première colonne = label des observations
rownames(autos.data) <- autos.data[,1]
autos.data <- autos.data[,-1]
# Statistiques descriptives
summary(autos.data)
# Nuages de points
pairs(autos.data)

Analyse en composantes principales

Nous allons utiliser la procédure PCA du package FactoMineR pour réaliser l'analyse. Cette procédure permet de centrer et de réduire les données, et d'obtenir des résultats détaillés sur les valeurs propres, les corrélations des variables avec les axes factoriels, et d'autres informations pertinentes.

# Réalisation de l'ACP
autos.acp <- PCA(autos.data, scale.unit = T, quanti.sup=8:9, quali.sup=7, graph=F)
# Obtenir les propriétés de l'objet autos.acp
print(autos.acp)

Valeurs propres et Scree Plot

Les valeurs propres associées aux axes permettent d'évaluer l'importance de chaque composante dans l'analyse. Nous allons également construire un Scree Plot pour visualiser ces valeurs.

# Obtenir les variances associées aux axes
val.propres <- autos.acp$eig[,1]
# Scree plot
plot(1:6, val.propres, type="b", ylab="Valeurs propres", xlab="Composante", main="Scree plot")

Cercle des corrélations

Le cercle des corrélations permet de visualiser la relation entre les variables actives et les axes factoriels. Cela aide à interpréter les résultats de l'ACP.

# Cercle des corrélations
plot(autos.acp, choix="var", title="Cercle des corrélations", invisible="quanti.sup")

Exploration graphique interactive avec dynGraph

dynGraph est un outil puissant pour l'exploration graphique interactive des résultats d'ACP. Il permet de visualiser les individus et les variables dans un espace factoriel, facilitant ainsi l'interprétation des données.

# Lancer l'outil d'exploration interactive
dynGraph(autos.acp)

Fonctionnalités de dynGraph

  • Carte des individus et des variables.
  • Filtrage des individus selon le cos² pour n'afficher que ceux bien représentés.
  • Habillage des individus selon les modalités d'une variable qualitative.

Points clés à retenir

Voici les éléments essentiels à retenir de cette étude sur l'ACP :

  • L'ACP est une méthode efficace pour réduire la dimensionnalité des données tout en préservant l'information.
  • Les valeurs propres et le Scree Plot sont cruciaux pour déterminer le nombre de composantes à retenir.
  • Le cercle des corrélations aide à interpréter les relations entre les variables.
  • dynGraph offre une exploration graphique interactive qui facilite l'analyse des résultats.

Questions fréquentes

Qu'est-ce que l'analyse en composantes principales ?

L'analyse en composantes principales (ACP) est une technique statistique utilisée pour réduire la dimensionnalité des données tout en conservant le maximum d'information possible. Elle transforme les variables d'origine en un nouvel ensemble de variables non corrélées appelées composantes principales.

Comment interpréter les résultats d'une ACP ?

Les résultats d'une ACP peuvent être interprétés à l'aide des valeurs propres, du Scree Plot, et du cercle des corrélations. Les valeurs propres indiquent l'importance de chaque composante, tandis que le cercle des corrélations montre comment les variables sont liées aux axes factoriels.

Qu'est-ce que dynGraph ?

dynGraph est un outil d'exploration graphique interactive qui permet de visualiser les résultats d'une ACP. Il offre des fonctionnalités pour filtrer les individus, habiller les points selon des variables qualitatives, et exporter des graphiques.

Comment réaliser une ACP dans R ?

Pour réaliser une ACP dans R, vous devez utiliser le package FactoMineR. La fonction PCA() permet de centrer et réduire les données, et d'obtenir des résultats détaillés sur les composantes principales.

Quels sont les avantages de l'ACP ?

L'ACP permet de simplifier l'analyse de données complexes en réduisant le nombre de variables tout en conservant l'information essentielle. Cela facilite la visualisation et l'interprétation des données.

Partager

Commentaires

Aucun commentaire pour le moment. Posez la première question.

Les commentaires sont relus avant publication. Votre e-mail n'est jamais affiché.

← Toutes les révisions