Objectifs
Extraire l’information utile et pertinente d’un ensemble de données pour lesquels les méthodes classiques sont inopérantes du fait d’un déséquilibre du fichier (plus de colonnes que de lignes, nombre important de données manquantes, redondance significative entre les variables exogènes).
Le but est l’exploration (évaluation de la structure de corrélation, présence de groupes, d'individus atypiques,…) et la modélisation (pouvoir prédire et anticiper le comportement d’un processus industriel ou transactionnel).
Le but est l’exploration (évaluation de la structure de corrélation, présence de groupes, d'individus atypiques,…) et la modélisation (pouvoir prédire et anticiper le comportement d’un processus industriel ou transactionnel).
Public
Toute personne souhaitant réaliser l'analyse de données issues d'un fichier présentant des déséquilibres.
Pré-requis
Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Analyse des données : méthodes exploratoires (ACP, AFC, classification)
Méthode
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.
Programme
- Méthode NIPALS (Non Iterative Partial Least Square)
- L’analyse en Composantes principales (A.C.P.)
- La régression PLS
- L’analyse Discriminante
- Applications
- Présentation de la méthode NIPALS
- Particularités de cette méthode pour l’analyse des données
- Utilisation pour les différents outils de l’analyse des données selon les objectifs poursuivis
- Exploration
- Modélisation
- Prédiction
- L’analyse en Composantes principales (A.C.P.)
- Particularités de l’ACP mise en œuvre avec l’algorithme NIPALS
- Représentation géométrique
- Approche algébrique
- Mise en œuvre
- Analyse
- Utilisation des aides à l’interprétation
- Exemples d’utilisation traités
- La régression PLS
- Principes de la régression PLS avec l’algorithme NIPALS
- Avantages par rapport aux méthodes de régression classiques (gestion de la multicolinéarité, des valeurs manquantes, tableaux déséquilibrés avec plus de colonnes que de lignes,…)
- Régression PLS1
- Présentation de la PLS1
- Construction d’un modèle PLS1
- Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
- Validation externe
- Les prévisions
- Présentation et utilisation des aides à l’interprétation
- Application sur divers exemples traités
- Régression PLS2
- Présentation de la PLS2
- Particularités de la PLS2
- Conditions d’utilisation
- Construction d’un modèle PLS2
- Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
- Validation externe
- Les prévisions
- Présentation et utilisation des aides à l’interprétation
- Application sur divers exemples traités
- L’analyse Discriminante
- Types de données et objectifs poursuivis
- Exploration et identification de groupes
- Affectation de nouveaux individus : prédiction
- Méthode SIMCA (Soft Independent Modeling of Class Analogy)
- Utilisation de l’ACP NIPALS pour l’identification de groupes
- Règles de discrimination : le Cooman’s plot
- Mode d’affectation de nouveaux individus ou groupe d’individus
- Exploration et identification de groupes
- Application sur divers exemples
- La régression PLSDA (Discriminant Analysis)
- Présentation et particularités de la PLSDA
- Conditions d’utilisation
- Construction d’un modèle PLSDA
- Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
- Validation externe
- Les prévisions
- Présentation et utilisation des aides à l’interprétation
- Application sur divers exemples traités
- Applications
- Analyses de spectres
- Contrôle de procédés par lots (batch)
- Contrôle statistique multidimensionnel MSPC
- Introduction à l’analyse des données OMICS
