Analyse en composantes principales (ACP)

Transcription

1 Analyse en composantes principales (ACP) François Husson Laboratoire de mathématiques appliquées - Agrocampus Rennes husson@agrocampus-ouest.fr 1 / 31

2 Quel type de données? L ACP s intéresse à des tableaux de données rectangulaires avec des individus en lignes et des variables quantitatives en colonnes Pour la variable k, on note : Figure : Tableau de données en ACP la moyenne : x k = 1 I x ik I i=1 l écart-type : s k = 1 I (x ik x k ) I 2 i=1 2 / 31

3 Exemples Analyse sensorielle : note du descripteur k pour le produit i Ecologie : concentration du polluant k dans la rivière i Economie : valeur de l indicateur k pour l année i Génétique : expression du gène k pour le patient i Biologie : mesure k pour l animal i Marketing : valeur d indice de satisfaction k pour la marque i Sociologie : temps passé à l activité k par les individus de la CSP i etc. Il existe de très nombreux tableaux comme cela 3 / 31

4 Les données température 15 individus (lignes) : villes de France 14 variables (colonnes) : 12 températures mensuelles moyennes (sur 30 ans) 2 variables géographiques (latitude, longitude) Janv Févr Mars Avri Mai Juin juil Août Sept Octo Nove Déce Lati Long Bordeaux Brest Clermont Grenoble Lille Lyon Marseille Montpellier Nantes Nice Paris Rennes Strasbourg Toulouse Vichy / 31

5 Problèmes - objectifs Le tableau peut être vu comme un ensemble de lignes ou un ensemble de colonnes Etude des individus Quand dit-on que 2 individus se ressemblent du point de vue de l ensemble des variables? Si beaucoup d individus, peut-on faire un bilan des ressemblances? construction de groupes d individus, partition des individus 5 / 31

6 Problèmes - objectifs Etude des variables Recherche des ressemblances entre variables Entre variables, on parle plutôt de liaisons Liaisons linéaires sont simples, très fréquentes et résument de nombreuses liaisons coefficient de corrélation visualisation de la matrice des corrélations recherche d un petit nombre d indicateurs synthétiques pour résumer beaucoup de variables (ex. d indicateur synthétique a priori : la moyenne, mais ici on recherche des indicateurs synthétiques a posteriori, à partir des données) 6 / 31

7 Lien entre les deux études Problèmes - objectifs Caractérisation des classes d individus par les variables besoin de procédure automatique Individus spécifiques pour comprendre les liaisons entre variables utilisation d individus extrêmes (en terme de variables : langage abstrait mais puissant, revenir aux individus pour voir les choses plus simplement) Objectifs de l ACP : Descriptif - exploratoire : visualisation de données par graphiques simples Synthèse - résumé de grands tableaux individus variables 7 / 31

8 Deux nuages de points Etude des individus 1 1 k K Etude des variables 1 1 k K i X i X I R K I R I var 1 ind 1 var k ind i 8 / 31

9 Le nuage des individus N I 1 individu = 1 ligne du tableau 1 point dans un espace à K dim Si K = 1 : Représentation axiale Si K = 2 : Nuage de points Si K = 3 : Représentation difficile en 3D Si K = 4 : Impossible à représenter MAIS le concept est simple Notion de ressemblance : distance (au carré) entre individus i et i : d 2 (i, i ) = K (x ik x i k) 2 (merci Pythagore) k=1 Etude des individus Etude de la forme du nuage N I 9 / 31

10 Le nuage des individus N I Etudier la structure, i.e. la forme du nuage des individus Les individus vivent dans R K 10 / 31

11 Centrage réduction des données Centrer les données ne modifie pas la forme du nuage toujours centrer Taille (en m) Taille (en m) Taille (en cm) poids (en kg) poids (en kg) poids (en quintal) Réduire les données est indispensable si les unités de mesure sont différentes d une variable à l autre x ik x ik x k s k 11 / 31

12 Centrage réduction des données Janv Févr Mars Avri Mai Juin juil Août Sept Octo Nove Déce Bordeaux Brest Clermont Grenoble Lille Lyon Marseille Montpellier Nantes Nice Paris Rennes Strasbourg Toulouse Vichy ACP Analyse du tableau centré-réduit Difficile de voir le nuage N I on essaie d en avoir une image approchée 12 / 31

13 Ajustement du nuage des individus L ACP vise à fournir une image simplifiée de N I la fidèle possible Trouver le sous-espace qui résume au mieux les données Qualité d une image : Restitue fidèlement la forme générale du nuage (animation) 12 / 31

14 Ajustement du nuage des individus L ACP vise à fournir une image simplifiée de N I la fidèle possible Trouver le sous-espace qui résume au mieux les données Qualité d une image : Restitue fidèlement la forme générale du nuage (animation) Meilleure représentation de la diversité, de la variabilité Ne perturbe pas les distances entre individus Comment quantifier la qualité d une image? A l aide de la notion de dispersion ou variabilité appelée Inertie Inertie variance généralisée à plusieurs dimensions 13 / 31

15 Ajustement du nuage des individus Comment trouver la meilleure image approchée du nuage? 1 Trouver l axe (facteur) qui déforme le moins possible le nuage O max i H i min u 1 (ih i ) 2 petit avec H i axe (OH i ) 2 grand (Pythagore) on veut i (OH i) 2 grand 2 Trouver le meilleur plan : maximiser i (OH i) 2 avec H i plan Meilleur plan contient le meilleur axe : on cherche u 2 u 1 et maximisant i (OH i) 2 3 on peut chercher un 3ème axe, etc. d inertie maximum 14 / 31

16 Exemple : graphe des individus Brest Dimension 2 (18.97%) Rennes Nantes Lille Paris Clermont Vichy Lyon Strasbourg Grenoble Bordeaux Toulouse Nice Montpellier Marseille Dimension 1 (79.85%) Comment interpréter les axes? Qu est-ce qui oppose Lille à Nice? Besoin de variables pour interpréter ces dimensions de variabilité 15 / 31

17 Interprétation du graphe des individus grâce aux variables Considérons les coordonnées des individus comme des variables 1 1 k K F.1 F.2 Brest F i2 Rennes Nantes Lille Nice F Bordeaux i1 Toulouse Paris Clermont Vichy Montpellier Lyon Marseille Strasbourg Grenoble i x ik F i1 F i2 I 16 / 31

18 Interprétation du graphe des individus grâce aux variables Corrélations entre la variable x.k et F.1 (et F.2 ) 1 r(f.2,x.k ) x.kjanv -1 0 r(f.1,x.k ) 1-1 Cercle des corrélations 17 / 31

19 Interprétation du graphe des individus grâce aux variables Dim 2 (18.97%) Janv Déce Févr Nove Octo Mars Avri Sept Août Mai Juin juil Toutes les variables sont corrélées à F 1. Comment interpréter le 1er axe? Comment interpréter le 2ème? Dim 1 (79.85%) Principaux facteurs de variabilité : / 31

20 Nuage des variables N K 1 variable = 1 point dans un espace à I dimensions O x ik 1 cos(θ kl ) = < x.k, x.l > x.k x.l = Ii=1 x ik x il ( I i=1 x 2 ik )( I i=1 x 2 il ) Comme les variables sont centrées : cos(θ kl )= r(x.k, x.l ) Si variables réduites points sur une hypersphère de rayon 1 19 / 31

21 Ajustement du nuage des variables Même règle que pour les individus : recherche d axes orthogonaux arg max v 1 R I K r(v 1, x.k ) 2 k=1 v 1 est la variable synthétique qui résume au mieux les variables Trouver le 2 ème axe, puis le 3 ème, etc. 20 / 31

22 Ajustement du nuage des variables Dim 2 (18.97%) Janv Déce Févr Nove Octo Mars Avri Sept Août Mai Juin juil Même représentation que précédemment!!!! aide pour interpréter les individus représentation optimale du nuage des variables visualisation de la matrice des corrélations Dim 1 (79.85%) 21 / 31

23 Projections... r(a, B) = cos(θ A,B ) cos(θ A,B ) cos(θ HA,H B ) si les variables sont bien projetées A H A HB H D H EE D H C H AHB H D H E H C B C Seules les variables bien projetées peuvent être interprétées! 22 / 31

24 Pourcentage d inertie Pourcentage d information (d inertie) expliqué par chaque axe Pourcentage d'inertie Choix d un nombre de dimensions à interpréter 23 / 31

25 Pourcentage d inertie si indépendance entre variables Nombre de variables nbind Table : Quantile à 95 % du pourcentage d inertie des 2 premières dimensions de PCA obtenue avec des variables indépendantes 24 / 31

26 Pourcentage d inertie si indépendance entre variables Nombre de variables nbind Table : Quantile à 95 % du pourcentage d inertie des 2 premières dimensions de PCA obtenue avec des variables indépendantes 25 / 31

27 Information supplémentaire Pour les variables quantitatives : projection des variables Pour les modalités : projection au barycentre des individus qui prennent cette modalité Individuals factor map (PCA) Dim 2 (18.97%) NE NO SE SO Lille NE Strasbourg Brest NO Rennes Nantes Paris Vichy Clermont Grenoble Lyon Toulouse SO SE Nice Bordeaux Montpellier Marseille Dim 2 (18.97%) Lati Long Ampl Janv Déce Févr Nove Octo Mars Moye Avri Sept Août Mai Juin juil Dim 1 (79.85%) Dim 1 (79.85%) Information supp. ne participe pas à la construction des axes 26 / 31

28 Qualité de représentation contribution Qualité de représentation d une variable et d un individu cos 2 entre une var. et sa projection cos 2 entre Oi et OH i round(res.pca$var$cos2,2) Dim.1 Dim.2 Dim.3 Janv Févr round(res.pca$ind$cos2,2) Dim.1 Dim.2 Dim.3 Bordeaux Brest Seuls les éléments bien projetés peuvent être interprétés Contribution d 1 var. et d 1 individu à la construction de l axe s : Ctr s (k) = round(res.pca$var$contrib,2) Dim.1 Dim.2 Dim.3 Janv Févr r(x.k, v s ) 2 Kk=1 r(x.k, v s ) 2 Ctr s (i) = F 2 is Ii=1 F 2 is round(res.pca$ind$contrib,2) Dim.1 Dim.2 Dim.3 Bordeaux Brest Eléments avec une forte coordonnée contribuent le plus 27 / 31

29 Par les variables quantitatives : Description des dimensions calcul des corrélations entre chaque variable et la dimension s tri des coefficients de corrélation (significatifs) > dimdesc(res.pca) $Dim.1$quanti $Dim.2$quanti correlation p.value correlation p.value Moye e00 Janv e-03 Octo e-10 Déce e-02 Sept e-10 Avri e-09 juil e-02 Mars e-09 Long e-04 Nove e-06 Ampl e juil e-05 Déce e-04 Janv e-04 Lati e / 31

30 Par les variables qualitatives : Description des dimensions Analyse de variance des coordonnées des individus sur l axe s (variable Y ) expliqués par la variable qualitative un test F par variable un test t de Student par modalité pour comparer la moyenne de la modalité avec la moyenne générale > dimdesc(res.pca) $Dim.2$quali R2 p.value Région $Dim.2$category Estimate p.value NO SE / 31

31 Pratique de l ACP 1 Choisir les variables actives 2 Choisir de réduire ou non les variables 3 Réaliser l ACP 4 Choisir le nombre de dimensions à interpréter 5 Interpréter simultanément le graphe des individus et celui des variables 6 Utiliser les indicateurs pour enrichir l interprétation 7 Revenir aux données brutes pour interpréter 30 / 31

32 Suppléments Livre sur l analyse de données : Analyse de données avec R (2009). Husson, Lê, Pagès. Presses Universitaires de Rennes. Package FactoMineR pour faire des ACP : Vidéos sur Youtube : une chaîne Youtube : youtube.com/hussonfrancois une playlist de 17 vidéos en français (taper FactoMineR sur le site de Youtube) une playlist de 10 vidéos en anglais 31 / 31