Analyse en Composantes Principales avec Python
Analyse en composantes principales python L'analyse en composantes principales (ACP) est une technique statistique utilisée pour réduire la dimensionnalité des données tout en conservant le maximum d'information. Cet article explique comment réaliser une ACP en utilisant Python, en se basant sur des données de véhicules.
D'après le document Analyse en Composantes Principales avec Python
Cet article a été rédigé automatiquement à partir du document source, puis vérifié avant publication.
Document source
Data Science / Statistical Analysis · PDF · 15 pages · 2000
Afficher l'aperçu du document
Analyse en composantes principales python
L'analyse en composantes principales (ACP) est une technique statistique utilisée pour réduire la dimensionnalité des données tout en conservant le maximum d'information. Cet article explique comment réaliser une ACP en utilisant Python, en se basant sur des données de véhicules. Vous apprendrez à importer les données, à les préparer, à exécuter l'ACP et à interpréter les résultats, avec des exemples pratiques à chaque étape.
Données pour l'ACP
Les données utilisées proviennent de l'ouvrage de Gilbert Saporta, qui est une référence en analyse de données. Elles décrivent 18 véhicules à l'aide de 6 variables :
- CYL : Cylindrée
- PUISS : Puissance
- LONG : Longueur
- LARG : Largeur
- POIDS : Poids
- V_MAX : Vitesse maximale
Voici un extrait des données :
Modele CYL PUISS LONG LARG POIDS V_MAX Alfasud TI 1350 79 393 165 870 161 Audi 100 1588 85 468 160 1110 177 Simca 1300 1294 68 424 152 1050 168 Citroen GS Club 1222 59 412 151 930 161 Fiat 132 1585 98 439 165 1105 164
Préparation des données pour l'ACP
Importation des données
Pour commencer, nous importons le tableau des individus et des variables actifs en utilisant la librairie Pandas. Il est important de vérifier la version de Pandas utilisée, car certaines options peuvent changer.
import os
os.chdir("… votre dossier de travail …")
import pandas
print(pandas.version) # 0.23.0
X = pandas.read_excel("autos_acp_pour_python.xlsx", sheet_name=0, header=0, index_col=0)
print(X.shape) # (18, 6)
Nous avons maintenant un tableau de dimensions (18, 6), ce qui signifie qu'il y a 18 observations et 6 variables.
Centrage et réduction des données
Avant de procéder à l'ACP, il est nécessaire de centrer et réduire les variables. Nous utilisons la classe StandardScaler de scikit-learn pour cela. Vérifiez également la version de scikit-learn.
import sklearn print(sklearn.version) # 0.19.1 from sklearn.preprocessing import StandardScaler sc = StandardScaler() Z = sc.fit_transform(X) print(Z)
Après transformation, les moyennes des variables doivent être nulles et les écarts-types doivent être unitaires.
import numpy print(numpy.mean(Z, axis=0)) # Vérification des moyennes print(numpy.std(Z, axis=0, ddof=0)) # Vérification des écarts-types
Analyse en composantes principales avec PCA
Nous allons maintenant instancier l'objet PCA et lancer les calculs. Le paramètre svd_solver='full' indique que nous utilisons l'algorithme exact pour la décomposition.
from sklearn.decomposition import PCA acp = PCA(svd_solver='full') coord = acp.fit_transform(Z) print(acp.n_components_) # 6
Nous avons calculé 6 composantes, correspondant au nombre de variables.
Valeurs propres et variance expliquée
Les valeurs propres associées aux axes factoriels peuvent être récupérées ainsi :
print(acp.explained_variance_) # Valeurs propres eigval = (n-1)/n * acp.explained_variance_ print(eigval) # Valeurs propres corrigées
Nous pouvons également afficher le ratio de variance expliquée :
print(acp.explained_variance_ratio_) # Proportions de variance expliquée
La première composante explique 73.68% de la variance, tandis que les deux premières composantes expliquent 87.94% de la variance totale.
Visualisation des résultats
Pour visualiser les résultats, nous pouvons créer un scree plot pour observer les valeurs propres :
import matplotlib.pyplot as plt
plt.plot(numpy.arange(1, p+1), eigval)
plt.title("Scree plot")
plt.ylabel("Eigen values")
plt.xlabel("Factor number")
plt.show()
Représentation des individus
Pour représenter les individus dans le premier plan factoriel, nous utilisons les coordonnées factorielles obtenues :
fig, axes = plt.subplots(figsize=(12, 12))
axes.set_xlim(-6, 6)
axes.set_ylim(-6, 6)
for i in range(n):
plt.annotate(X.index[i], (coord[i, 0], coord[i, 1]))
plt.plot([-6, 6], [0, 0], color='silver', linestyle='-', linewidth=1)
plt.plot([0, 0], [-6, 6], color='silver', linestyle='-', linewidth=1)
plt.show()
Qualité de représentation
Pour évaluer la qualité de représentation des individus, nous calculons les COS² :
di = numpy.sum(Z**2, axis=1)
cos2 = coord**2
for j in range(p):
cos2[:, j] = cos2[:, j] / di
print(pandas.DataFrame({'id': X.index, 'COS2_1': cos2[:, 0], 'COS2_2': cos2[:, 1]}))
Key takeaways
- L'ACP permet de réduire la dimensionnalité tout en conservant l'information essentielle.
- Le centrage et la réduction des données sont cruciaux avant de procéder à l'ACP.
- Les valeurs propres et le ratio de variance expliquée aident à déterminer l'importance des composantes.
Glossaire
- ACP : Analyse en Composantes Principales
- PCA : Principal Component Analysis
- StandardScaler : Classe pour centrer et réduire les données
- Eigen values : Valeurs propres associées aux axes factoriels
Questions fréquentes
Qu'est-ce que l'ACP ?
L'ACP est une méthode statistique qui permet de réduire la dimensionnalité des données tout en préservant autant que possible la variance des données initiales.
Comment préparer les données pour l'ACP ?
Il est essentiel de centrer et réduire les données avant de réaliser une ACP. Cela permet d'assurer que chaque variable contribue de manière équitable à l'analyse.
Comment interpréter les valeurs propres en ACP ?
Les valeurs propres indiquent la quantité de variance expliquée par chaque composante. Une valeur propre élevée signifie que la composante correspondante explique une grande partie de la variance des données.
Quels outils utiliser pour réaliser une ACP en Python ?
Les bibliothèques Pandas pour la manipulation des données et scikit-learn pour l'ACP sont les plus couramment utilisées.
Commentaires
Aucun commentaire pour le moment. Posez la première question.