L`analyse discriminante
Plan
•Introduction : que sont les données ?
•Analyse discriminante : cas n individus >> p variables &&
données complètes
–Généralités
–Exemple : iris de Fisher :
•Représentations
•Manova & tests d’hypothèses
•AFD décisionnelle et prédictions des inconnus
•Bibliothèque ade4
•Analyse discriminante : cas n individus >> p variables &&
données incomplètes
–Bibiothèques ropls et mixOmics
–L’analyse canonique : une autre manière de faire l’AFD
•Les données en grandes dimensions : cas n individus < ou << p
variables && données incomplètes ou incomplètes
–AFD +/- OSC
–OPLS-DA
–SDA +/- OSC
•Conclusions 2
Plan
•Introduction : que sont les données ?
•Analyse discriminante : cas n individus >> p variables &&
données complètes
–Généralités
–Exemple : iris de Fisher :
•Représentations
•Manova & tests d’hypothèse
•AFD décisionnelle et prédictions des inconnus
•Bibliothèque ade4
•Analyse discriminante : cas n individus >> p variables &&
données incomplètes
–Bibiothèques ropls et mixOmics
–L’analyse canonique : une autre manière de faire l’AFD
•Les données en grandes dimensions : cas n individus < ou << p
variables && données incomplètes ou incomplètes
–AFD +/- OSC
–OPLS-DA
–SDA +/- OSC
•Conclusions 3
Que sont les données ?
4
Analyses statistiques multivariées : aspects généraux
•Structure des données
–Tableau Y : 1 ou q facteurs (ou 1 variable de groupe)
–Tableau X : p (a priori) variables indépendantes mesurées sur n
individus (souvent n << p)
•Objectif stratégique du data mining :
–Trouver les données aberrantes (outliers) à l’intérieur des
groupes d’individus construits a priori
–Trouver une structure cachée d’organisation des individus en
sous-groupes
–Révéler des contrastes “plausibles” existant entre les groupes
d’individus construits a priori
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
1
/
72
100%
