C'est la première fois que l'ACP me paraît simple à comprendre et surtout à interpréter, malgré tout ce que j'ai pu parcourir jusqu'ici. Merci infiniment!
merci beaucoup pour ce tuto,vraiment il m'a beaucoup aidé a comprendre le phénomene...je te jure je le vois comme un cour chinois avec notre enseignante;lool
un très GRAND merci , je suis en M2 et c'est la première fois ou j'étudie l'analyse des données, en plus les chiffres c'est vraiment pas mon truc, mais grâce à votre vidéo j'ai commencé à saisir un peu .
merci beaucoup, vos explications sont très claires et précises. Ces vidéos sont un excellent complément au livre sur R dont vous avez dirigé la rédaction.
J'ai pas compris comment mettre en pratique cette méthode, c-a-d comment trouver les composantes principales par calcul manuel et comment représenter les variables sur les nouveaux axes
A part quelques points de détails, la vidéo est plutôt claire. Surtout, je n'ai pas compris où vous voulez en venir quand vous parlez des valeurs extrêmes. Par ailleurs, je me permets d'ajouter un petit complément d'info. Pour une dimension donnée, si des variables lui sont corrélées positivement et d'autres négativement, la corrélation positive ne signifie pas toujours des valeurs plus importante (ça dépend du paramétrage). Par contre, la corrélation négative d'une part et positive d'autre part signifie que les variables sont corrélées de manière opposée (discussion avec mon maître de stage)
Excellente présentation superbement expliquée. Seul bémol, le rythme du commentaire est trop élevé, ce qui m'oblige à interrompre la vidéo pour "digérer" l'info...
Les univesités et écoles devraient vraiment s'inspirer de ce genre de cours avec plateforme numérique plutôt qu de faire des heures et des hheures interminables de cours marginaux....
+Corentin Calvet Tout à fait d'accord, c'est carrément honteux de faire déplacer des élèves pour des cours magistraux à notre époque ! Mais que vont devenir tous les mauvais profs ? On va l'attendre longtemps l'université 100% numérique ! En tout cas bravo à vous Mr Husson !
Bonjour, Les méthodes de standardisation des variables le 12:10 et le 26:10 sont-elles différentes ? Sinon, pourquoi les variables centrées et réduites sont dans une hypersphère de rayon 1 (26:10) ? Merci pour les renseignements !!
Merci beaucoup Monsieur Husson! Votre explication de l'ACP c'était pour la plupart claire. Cependant il avait un chose que j'ai pas compris. Comment est-ce que vous avez calculé les coordonnées des individus sur les axes?, minute 20:05 de cette vidéo. Je vous merci par avance la réponse à ma question. Salutations depuis le Pérou!
Bonjour, Les coordonnées sur les axes sont calculés par une décomposition en valeurs singulières (en cherchant les valeurs propres et les vecteurs propres du tableau de données centré-réduit). C'est un peu compliqué, et je suis passé sur cette explication.
Merci pour la video :-). Je voudrais savoir comment centrer et réduire et transformer son jeu de données ou les transformer en log(x+1) ? Peut on le faire avec Xlstat ? Merci de votre réponse.
Bonjour j'ai 6 variables de WGI que je veux transformer a une seule variable. Pour l'utiliser dans un modèle. C'est possible de faire un video comment le rialise et avec quel logiciel. Merci
Bonjour, Merci beaucoup pour cette excellente vidéo. Je souhaiterais savoir si on peut faire une ACP sur des données de panel. En gros, on a des variables en colonne, et en ligne on a individu, chacun suivi sur une période de 10 ans. Donc chaque ligne est un individu-année. Merci cordialement
Il faut faire ce que l'on appelle une décomposition en valeurs singulières de la matrice de données centrée-réduites. Ou une diagnalisation de la matrice de variance-covariance. C'est donc du calcul matriciel qui permet de trouver les dimensions.
La CPA serait elle différente de la PCA?? Il serait plus intéressant de dire que la PCA (anglais) ou CPA (en français) permet de réduire la dimensionalité des data et donc de travailler sur des espaces plus réduits que les échantillons originaux. A partir de là, la CPA augmente la vitesse de traitement de l'information par les techniques de machine learning. C'est le but de la "component principal analysis". Ce n'est pas une technique d'analyse.
Vous pouvez m'aider pour corriger cet exercice, S'il vous plaît Une analyse en composantes principales est effectuée sur un tableau de données. Les résultats sont les suivants: - Valeurs propres de la matrice variance-covariance: λ1=8, λ2=2, λ3=12 - les deux premières composantes principales: C1 C2 A 2√6 √6 B _√6 √6 C _√6 _2√6 D √6 2√6 E √6 _√6 F _2√6 _√6 On désire présenter 50% de l'information globale. * présenter les individus dans l'espace réduit.
Merci pour l'explication. Je fait du traitement d'images avec des moments de chebychev Tpq le résultat est un vecteur de caractéristiques. Puis-je utiliser l'APC afin de réduire la taille de ce vecteur? pour faire en sorte d'avoir les valeurs les plus représentatives de mon images.
Si vos données sont dans un seul vecteur, l'ACP ne vous sera pas utilie. Si maintenant vos données sont dans une matrice, alors oui, l'ACP peut vous permettre d'avoir réduire la taille de vos données en extrayant qq composantes principales.
Cela n'aura pas d'intérêt car l'ACP cherche à faire resortir les liens entre les variables (et les ressemblances entre individus du point de vue de l'ensemble de variables). Il y a un codage spécifique pour les images. Je pense que les individus correspondent à une ligne de pixels, et les variables à une colonne de pixels. Ainsi, pour une image 256x256, vous aurez 256 lignes et 256 colonnes. Vous pouvez faire l'ACP et ensuite reconstruire l'image avec la formule de reconstitution (fonction reconst de FactoMineR).
Bonjour, Vous mentionnez brievement un technique de bootstraping pour evaluer la significativite des dimension ( vous parlez de 10000 PCA )... Comment avez vous obtenu ces valuer, y a til une fonction dans FactoMineR ? Merci d'avance et merci pour toutes ces videos tres informatives!
+Albert James Bonjour, Des jeux de données ayant le même nombre d'individus et le même nombre de variables ont été générés au hasard (selon une loi multinormale). Sur chacun de ces jeux de données, une ACP est construite et l'inertie des 2 premiers axes est récupérée. On réalise cela sur 10000 jeux de données et on calcule ensuite le quantile 95% de ces inerties. C'est ce quantile qui apparaît dans le tableau. FH
Bonjour, Merci pour cette excellente présentation. Si les coordonnées factorielles des individus (matériaux d'un même lot mais ayant subi des traitements différents) sont proches selon l'axe 1 mais pas selon l'axe 2, est-ce que je peux dire que ce deux individus sont semblables selon l'axe 1 portant le plus d'information (donc selon les variables très liées à l'axe 1?) Merci d'avance
D''ailleurs, en faisant le parallèle avec votre présentation, est-ce qu'on peut dire que Rennes et Grenoble peuvent être semblable selon l'axe même si elles sont éloignées selon l'axe 2 ?
oui. Les valeurs de ces individus seront proches pour les variables liées à l'axe 1, mais pas pour les variables liées à l'axe 2. Le mieux est de faire une petite vérification dans le tableau de données.
C'est la première fois que l'ACP me paraît simple à comprendre et surtout à interpréter, malgré tout ce que j'ai pu parcourir jusqu'ici. Merci infiniment!
Merci beaucoup monsieur ! Vous expliquez tellement bien que vous poussez à la plus grande admiration !
merci beaucoup pour ce tuto,vraiment il m'a beaucoup aidé a comprendre le phénomene...je te jure je le vois comme un cour chinois avec notre enseignante;lool
Tellement bien expliqué, merci du fond du cœur 🙏🏿
Les explications sont claires et bien construites (du simple au complexes). Merci pour ce tutoriel!
Tutoriel très intéressant
Merci beaucoup vraiment pour ces éclaircissements
Merci pour ce tutoriel très enrichissant.
un très GRAND merci , je suis en M2 et c'est la première fois ou j'étudie l'analyse des données, en plus les chiffres c'est vraiment pas mon truc, mais grâce à votre vidéo j'ai commencé à saisir un peu .
+Imane Yahyaoui Merci de me dire comment mettre en pratique la méthode de l'ACP parce que j'ai rien compris
Merci c'est vraiment très bien expliqué grâce à une une application directe (température des villes) qui permet de bien comprendre.
Je tiens à vous remercier encore plus car mon prof a donné votre exo de la vidéo avec les température en examen... merci
merci beaucoup, vos explications sont très claires et précises. Ces vidéos sont un excellent complément au livre sur R dont vous avez dirigé la rédaction.
MERCI BCP, NOS PROFS TOUJOURS COMPLIQUENT LES CHOSES
Merci beaucoup vraiment. Cette vidéo m'a beaucoup à cerner quelques notions sur ACP
Excellent, j'ai enfin compris comment interpréter le cercle de corrélation. Merci !
Tutoriel très intéressant. Merci bien
Merci beaucoup pour cet vidéo qui en éclaire et inspire plus d'un
I like your video very much. It's really great. I'll keep an eye on your channel. I am your fan and I will support you.
merci beaucoup pour vos explications Monsieur .
Merci beaucoup pour cette vidéo très éclairante !
Merci beaucoup pour ce cours limpide.
Parfaite présentation de l'ACP.
Merci pour cette démonstration
vous avez pris un exemple tres complexe , sinn l'explication est bonne ...merci pour vos efforts
Merci Mr!
Merci franchement 🙏
belle exposition merci
merci pour le sous titre. tres gentil
waw c est vraiment super je pouvais pas avancer dans mon projet merci bcp.
Merci beaucoup pour ce tuto
Merci infiniment
J'ai pas compris comment mettre en pratique cette méthode, c-a-d comment trouver les composantes principales par calcul manuel et comment représenter les variables sur les nouveaux axes
Excellent merci !
Merci beaucoup pour votre appuis
A part quelques points de détails, la vidéo est plutôt claire. Surtout, je n'ai pas compris où vous voulez en venir quand vous parlez des valeurs extrêmes. Par ailleurs, je me permets d'ajouter un petit complément d'info. Pour une dimension donnée, si des variables lui sont corrélées positivement et d'autres négativement, la corrélation positive ne signifie pas toujours des valeurs plus importante (ça dépend du paramétrage). Par contre, la corrélation négative d'une part et positive d'autre part signifie que les variables sont corrélées de manière opposée (discussion avec mon maître de stage)
merci monsieur francois
Excellente présentation superbement expliquée. Seul bémol, le rythme du commentaire est trop élevé, ce qui m'oblige à interrompre la vidéo pour "digérer" l'info...
qu'elle est limpide cette explication.pourquoi mon prof a l'art de compliquer ?
Serengety's Son toujours
Parce qu'il ne comprend pas lui-même. C'est souvent le cas
c'est marrant, je me disais la même chose en regardant la vidéo :-)
(merci Pythagore)
Ήταν μεγάλη μορφή ο Πυθαγόρας. Ήταν και αναρχικός. Αν ήξερα Γαλλικά θα μπορούσαμε να μιλήσουμε. Να σε καλα.
Merci pour le tuto
trés claire, simple et comprehensible.
un Grand merci monsieur.
je veut le pdf svp
Tout est disponible ici : husson.github.io/MOOC.html#AnaDo
@@HussonFrancois Un grand merci
Bien Merci beaucoup
excellente vidéo
Merci pour ce tutoriel
Vous me sauvez ! :D
Merci monsieur
Les univesités et écoles devraient vraiment s'inspirer de ce genre de cours avec plateforme numérique plutôt qu de faire des heures et des hheures interminables de cours marginaux....
+Corentin Calvet Tout à fait d'accord, c'est carrément honteux de faire déplacer des élèves pour des cours magistraux à notre époque ! Mais que vont devenir tous les mauvais profs ? On va l'attendre longtemps l'université 100% numérique ! En tout cas bravo à vous Mr Husson !
Merci bcpp
Merci bcp
Merci
Bonjour,
Les méthodes de standardisation des variables le 12:10 et le 26:10 sont-elles différentes ? Sinon, pourquoi les variables centrées et réduites sont dans une hypersphère de rayon 1 (26:10) ?
Merci pour les renseignements !!
Merci beaucoup Monsieur Husson! Votre explication de l'ACP c'était pour la plupart claire. Cependant il avait un chose que j'ai pas compris. Comment est-ce que vous avez calculé les coordonnées des individus sur les axes?, minute 20:05 de cette vidéo. Je vous merci par avance la réponse à ma question. Salutations depuis le Pérou!
Bonjour,
Les coordonnées sur les axes sont calculés par une décomposition en valeurs singulières (en cherchant les valeurs propres et les vecteurs propres du tableau de données centré-réduit). C'est un peu compliqué, et je suis passé sur cette explication.
Bonjour
Merci pour vos vidéos
Comment est-il possible de recalculer les coordonnées des individus sur les axes ?
Merci
Merci pour la video :-). Je voudrais savoir comment centrer et réduire et transformer son jeu de données ou les transformer en log(x+1) ? Peut on le faire avec Xlstat ? Merci de votre réponse.
merci beaucoup pour cette vidéo explicative, est ce qu'il est possible d'avoir cette présentation?
Tout est disponible ici (vidéo, jeu de données, lignes de code) :
husson.github.io/MOOC_AnaDo/ACP.html
Bonjour j'ai 6 variables de WGI que je veux transformer a une seule variable. Pour l'utiliser dans un modèle. C'est possible de faire un video comment le rialise et avec quel logiciel. Merci
Bonjour, Merci beaucoup pour cette excellente vidéo. Je souhaiterais savoir si on peut faire une ACP sur des données de panel. En gros, on a des variables en colonne, et en ligne on a individu, chacun suivi sur une période de 10 ans. Donc chaque ligne est un individu-année. Merci cordialement
Bonjour c'est possible de le faire sur des données de panel les analyses restent les mêmes
Comment on choisit les axes de projection ?
Bonjour
Quel calcul vous avez fait SVP pour trouver les axes dimension 1 et dimension 2 dans la dipo 17 ?
Il faut faire ce que l'on appelle une décomposition en valeurs singulières de la matrice de données centrée-réduites. Ou une diagnalisation de la matrice de variance-covariance. C'est donc du calcul matriciel qui permet de trouver les dimensions.
La CPA serait elle différente de la PCA?? Il serait plus intéressant de dire que la PCA (anglais) ou CPA (en français) permet de réduire la dimensionalité des data et donc de travailler sur des espaces plus réduits que les échantillons originaux. A partir de là, la CPA augmente la vitesse de traitement de l'information par les techniques de machine learning. C'est le but de la "component principal analysis". Ce n'est pas une technique d'analyse.
j'aimerais bien avoir une analyse Mathématiques du projet surtout l'analyse matricielle s'il vous plait!
Il faut voir la décopopsition en valeurs singulières (sur Wikipédia par exemple) ou la diagonalisation de matrices.
Vous pouvez m'aider pour corriger cet exercice, S'il vous plaît
Une analyse en composantes principales est effectuée sur un tableau de données. Les résultats sont les suivants:
- Valeurs propres de la matrice variance-covariance:
λ1=8, λ2=2, λ3=12
- les deux premières composantes principales:
C1 C2
A 2√6 √6
B _√6 √6
C _√6 _2√6
D √6 2√6
E √6 _√6
F _2√6 _√6
On désire présenter 50% de l'information globale.
* présenter les individus dans l'espace réduit.
merci beaucoup.
j'au une question comment on choisit le nombre des composantes ?
Merci pour l'explication. Je fait du traitement d'images avec des moments de chebychev Tpq le résultat est un vecteur de caractéristiques. Puis-je utiliser l'APC afin de réduire la taille de ce vecteur? pour faire en sorte d'avoir les valeurs les plus représentatives de mon images.
Si vos données sont dans un seul vecteur, l'ACP ne vous sera pas utilie. Si maintenant vos données sont dans une matrice, alors oui, l'ACP peut vous permettre d'avoir réduire la taille de vos données en extrayant qq composantes principales.
Merci pour votre réponse, peut-on considérer le vecteur comme une matrice à n ligne et une colonne?
Cela n'aura pas d'intérêt car l'ACP cherche à faire resortir les liens entre les variables (et les ressemblances entre individus du point de vue de l'ensemble de variables). Il y a un codage spécifique pour les images. Je pense que les individus correspondent à une ligne de pixels, et les variables à une colonne de pixels. Ainsi, pour une image 256x256, vous aurez 256 lignes et 256 colonnes. Vous pouvez faire l'ACP et ensuite reconstruire l'image avec la formule de reconstitution (fonction reconst de FactoMineR).
Je vous remercie.
Blnjour monsieyr francois , svp c'est quoi la commande qui précise la nature des variables ?
Bonjour,
Vous mentionnez brievement un technique de bootstraping pour evaluer la significativite des dimension ( vous parlez de 10000 PCA )... Comment avez vous obtenu ces valuer, y a til une fonction dans FactoMineR ?
Merci d'avance et merci pour toutes ces videos tres informatives!
+Albert James
Bonjour,
Des jeux de données ayant le même nombre d'individus et le même nombre de variables ont été générés au hasard (selon une loi multinormale). Sur chacun de ces jeux de données, une ACP est construite et l'inertie des 2 premiers axes est récupérée. On réalise cela sur 10000 jeux de données et on calcule ensuite le quantile 95% de ces inerties. C'est ce quantile qui apparaît dans le tableau.
FH
merc-2019
Comment creer des indices cumulatifs des scores en analyse factorielles?
Les axes factoriels obtenus sont des indices synthétiques. Il suffit alors de prendre les coordonnées des individus sur les axes.
merici
comment calcul-t-on les valeurs propres pour obtenir l'inertie
Il faut faire la décomposition en valeurs singulières de la matrice de données.
Ou la diagonalisation de la matrice de variance-covariance.
J'ai un exercice d'acp et je sais mm pas comment je débute😭 le dernier délai c pour demain
25:56 là je suis plus, quelqu'un peut m'expliquer
21:51
comment faire ACP dans le cas non normé ?
Il faut utiliser l'argument sclae.unit = FALSE dans la fonction PCA.
merci beaucoup
meeeeeeerrrci
Petite question : les lignes et les colonnes sont inversées dans les exemples, est ce normal? Merci beaucoup.
Non, lignes et colonnes ne sont pas inversées : sur une ligne on a les données d'une ville. Sur une colonne on a les données d'un mois
Bonjour,
Merci pour cette excellente présentation. Si les coordonnées factorielles des individus (matériaux d'un même lot mais ayant subi des traitements différents) sont proches selon l'axe 1 mais pas selon l'axe 2, est-ce que je peux dire que ce deux individus sont semblables selon l'axe 1 portant le plus d'information (donc selon les variables très liées à l'axe 1?)
Merci d'avance
D''ailleurs, en faisant le parallèle avec votre présentation, est-ce qu'on peut dire que Rennes et Grenoble peuvent être semblable selon l'axe même si elles sont éloignées selon l'axe 2 ?
oui. Les valeurs de ces individus seront proches pour les variables liées à l'axe 1, mais pas pour les variables liées à l'axe 2. Le mieux est de faire une petite vérification dans le tableau de données.
Très bien, merci
Bonjour Monsieur,
Vous pouvez nous donner le pdf svp
Merci à vous
Tout est disponible ici : husson.github.io/MOOC_AnaDo/ACP.html
@@HussonFrancois Merci à vous!
L'écriture Pas claire
Tutoriel très intéressant
Merci beaucoup vraiment pour ces éclaircissements
Merci
L'écriture Pas claire