Cours 2-3 Analyse des données multivariées

Transcription

1 Cours 2-3 des données s Ismaël Castillo École des Ponts, 13 Novembre 2012

2 Plan

3 1. On s intéresse à un jeu de données multi-dimensionel, avec n individus observés et p variables d intérêt ( variables explicatives") Réduire la dimension des données Déterminer les éventuelles relations linéaires dans un ensemble de variable On souhaite résumer les données à l aide d un petit nombre de facteurs explicatifs".

4 Notations Les données se présentent sous forme d une matrice X de taille n p p est le nombre de variables n est le nombre d individus Vecteurs colonnes X 1,..., X p Vecteurs lignes X 1,..., X n 0 x1 1 x1 2 x p 1 1 x2 1 x2 2 x p 2 X = C A x 1 n x 2 n x p n

5 s s Echantillon de billets de banque, avec pour chacun différentes caractéristiques (longueur, largeur, diagonale...) Echantillon de performances de sportifs à différentes épreuves Echantillon de notes d étudiants à différents examens

6 : étude descriptive, boxplot mechanics vectors algebra analysis statistics

7 : étude descriptive, scatter plot mechanics vectors algebra analysis statistics

8 : étude descriptive, mechanics vectors algebra analysis statistics mechanics vectors algebra analysis statistics

9 Problématique Questions Comment faire pour résumer la globalité des données? (au delà des interactions deux à deux) Réduire la dimension intrinsèque" de l échantillon?

10 2. Les données X forment un nuage de points dans R p On munit R p de son produit scalaire canonique,, de norme euclidienne associée px X i X i 2 = (x j i x j i ) 2. j=1 Pour H sous-espace linéaire de R p, on note P H le projecteur orthogonal sur H P H X i la projection de la variable X i sur H

11 s Soit X j variable d intérêt moyenne x j = 1 n P n i=1 xj i variance s 2 j = 1 n P n i=1 (xj i x j ) 2 Definition La représentation centrée de l individu i est x j i = x j i x j, j = 1,..., p La représentation centrée-réduite de l individu i est x j i = xj i x j, j = 1,..., p s j

12 s Si la représentation centrée-réduite est utilisée, on parle d ACP normée. En ACP normée, les variables X j sont centrées de variance 1 Intérêt : Hétérogénéité entre les variables = cas où les variables correspondent à des quantités très différentes, par exemple mesurées avec différentes unités. Dans la suite, nous utiliserons la représentation centrée seulement, i.e. on supposera seulement P n i=1 X i = 0

13 du nuage X 1,..., X n nuage de points centré (le barycentre du nuage est l origine) Definition L inertie I du nuage de points est I = 1 nx X i 2 n i=1

14 du nuage X 1,..., X n nuage de points centré (le barycentre du nuage est l origine) Definition L inertie I du nuage de points est I = 1 nx X i 2 n i=1 L inertie J H autour du sous-espace linéaire H R p est J H = 1 nx X i P H X i 2 n i=1

15 du nuage X 1,..., X n nuage de points centré (le barycentre du nuage est l origine) Definition L inertie I du nuage de points est I = 1 nx X i 2 n i=1 L inertie J H autour du sous-espace linéaire H R p est J H = 1 nx X i P H X i 2 n i=1 I = 1 nx X i P H X i nx P H X i 2 = J H + I H n n i=1 i=1 I H s appelle inertie du nuage projeté J H mesure la du nuage due à la projection

16 du nuage X 1,..., X n nuage de points centré (le barycentre du nuage est l origine) Definition L inertie I du nuage de points est I = 1 nx X i 2 n i=1 L inertie J H autour du sous-espace linéaire H R p est J H = 1 nx X i P H X i 2 n i=1 I = 1 nx X i P H X i nx P H X i 2 = J H + I H n n i=1 i=1 I H s appelle inertie du nuage projeté J H mesure la du nuage due à la projection Question: Par rapport à quel point l inertie est-elle minimale?

17 On voudrait trouver un plan qui approche bien les données Cela revient à chercher H sous-espace, dim(h) = 2, telle que la du nuage soit minimale. On cherche donc H 2 = argmin J H H:dim(H)=2 De façon équivalente, un tel H 2 maximise l inertie du nuage projeté H 2 = argmax I H H:dim(H)=2

18 On voudrait trouver un plan qui approche bien les données Cela revient à chercher H sous-espace, dim(h) = 2, telle que la du nuage soit minimale. On cherche donc H 2 = argmin J H H:dim(H)=2 De façon équivalente, un tel H 2 maximise l inertie du nuage projeté H 2 = argmax I H H:dim(H)=2 Plus généralement, pour k {1,..., p 1}, on définit H k = argmin J H = argmax I H H:dim(H)=k H:dim(H)=k

19 Matrice de variance covariance Matrice de variance-covariance Γ associée au nuage de points Son terme général est Γ j,j = 1 n Remarques les variables sont centrées Γ = 1 n (X)T X P n i=1 xj i xj i cela généralise bien la def. du cours 1 si les variables sont réduites, Γ=matrice des

20 Matrice de variance covariance Matrice de variance-covariance Γ associée au nuage de points Son terme général est Γ j,j = 1 n Remarques les variables sont centrées Γ = 1 n (X)T X P n i=1 xj i xj i cela généralise bien la def. du cours 1 si les variables sont réduites, Γ=matrice des Γ est symétrique : Γ T = Γ Γ est positive y R p, y T Γy = 1 n y T X T Xy = 1 n Xy 2 0

21 Matrice de variance covariance Γ est réelle, symétrique, donc diagonalisable à l aide d une matrice P orthogonale PΓP T = PP T = Id p, avec Id p la matrice identité de taille p et diagonale = Diag(λ 1,..., λ p), où les λ i sont les valeurs propres de Γ, supposées rangées par ordre décroissant λ 1 λ 2... λ p Γ est positive donc λ i 0 pour tout i = 1,..., p. Pour simplifier on supposera que les λ i sont toutes distinctes (et non-nulles) soit λ 1 > λ 2 >... > λ p > 0 Enfin on note u k le vecteur propre associé à λ k. On supposera u k unitaire (quitte à poser u k = u k/ u k )

22 , résolution Théorème Le problème de réduction de dimension par moindre se résout séquentiellement à partir des valeurs propres et vecteurs propres de Γ H k est l e.v. engendré par les k premiers vecteurs propres H k = Vect(u 1,..., u k ) L inertie du nuage projeté sur le k-ième axe propre est I uk L inertie du nuage projeté sur H k vaut I Hk = = λ k kx λ l l=1

23 Preuve du théorème, k = 1 Exercice

24 et inertie expliquée L inertie totale I du nuage est P p l=1 λ l. Question : Pouvait-on le deviner?

25 et inertie expliquée L inertie totale I du nuage est P p l=1 λ l. Question : Pouvait-on le deviner? La part d inertie expliquée par le l-ième axe propre est τ l = λ l I Ainsi, un sous-espace quelconque de dim. k porte une inertie qui est au plus ( P k l=1 τ l ) % de l inertie totale.

26 Definition A partir des données initiales X, vues comme la donnée de n vecteurs ligne X i, i = 1,..., n, on peut redéfinir p nouvelles variables. Pour α {1,..., p}, on pose 2 3 X 1, u α C α 6 = Xu α = 4. X n, u α Les C α s appelent les composantes. 7 5 R n

27 Definition A partir des données initiales X, vues comme la donnée de n vecteurs ligne X i, i = 1,..., n, on peut redéfinir p nouvelles variables. Pour α {1,..., p}, on pose 2 3 X 1, u α C α 6 = Xu α = 4. X n, u α Les C α s appelent les composantes. 7 5 R n Les C α sont combinaisons linéaires de variables d intérêt X j Les C α sont centrées Les covariances mutuelles sont Var(C α ) = λ α et, si α β, Cov(C α, C β ) = 0. Les composantes sont non corrélées. 1 n C αt C β = 1 n uαt X T Xu β = 1 n uαt Γu β = λ β n uα, u β = λ β 1 α=β

28 , propriétés Pour tous α, j dans {1,..., p}, avec sj 2 = Var(X j ), Cov(C α, X j ) = λ αuj α Corr(C α, X j ) = λαu j α s j px sj 2 Corr(C α, X j ) 2 = λ α j=1 Par ailleurs, pour tout j fixé et tout k p, on a kx Corr(C l, X j ) 2 1 (= 1 si k = p) l=1

29 , propriétés Exercice Pour tous α, j dans {1,..., p}, avec s 2 j = Var(X j ), Cov(C α, X j ) = λ αuj α Corr(C α, X j ) = λαu j α s j px sj 2 Corr(C α, X j ) 2 = λ α j=1 Par ailleurs, pour tout j fixé et tout k p, on a kx Corr(C l, X j ) 2 1 (= 1 si k = p) l=1 1 Montrer les identités précédentes 2 En déduire que pour tout j le vecteur (Corr(C 1, X j ), Corr(C 2, X j )) est à l intérieur du cercle unité dit cercle des.

30 3. Outils de visualisation, scree plot Le scree plot (en anglais scree"= éboulis") représente la décroissance des valeurs propres λ On l utilise pour répondre à la question Combien d axes analyser"? Parmi les critères de décisions, on peut citer Le critère de Kaiser" : on ne garde que les axes correspondant à des valeurs propres λ j supérieures à la moyenne Le critère du coude" : dans le cas où il y a une rupture dans la décroissance des λ j, on ne garde que les axes correspondant à des valeurs propres λ j qui précèdent la décroissance régulière".

31 Outils de visualisation, scree plot des notes du décathlon

32 Outils de visualisation, projection On décide donc de garder (on "réduit la dimensionalité du problème") les axes Vect(u 1 ),..., Vect(u r ). Souvent, même si r 3, on s intéressera déjà au plan engendré par les 2 premiers axes Le plan P R p engendré par u 1 et u 2 s appelle le premier plan factoriel P = Vect(u 1 ) Vect(u 2 )

33 Outils de visualisation, projection 2 Au passage, on a également prouvé la deuxième assertion du théorème : I uk = λ k. La troisième assertion découle alors du théorème de Pythagore. L inertie I du nuage de points est donc égale à la trace de matrice de variance-covariance, ce qui implique I = p, en ACP normée. (En ACP non normée, elle vaut la somme des variances : I = On décide p donc de garder (on "réduit la dimensionalité du problème") les axes j=1 s2 j = p l=1 λ l.) On définit la part d inertie expliquée sur le l-ième axe propre : τ Vect(u 1 ),..., Vect(u r ). Souvent, même si r 3, on s intéressera déjà au plan l = λ l /I. L inertie portée par un sous-espace de dimension k est donc au mieux k l=1 engendré par les 2 premiers axes τ l pour cent de l inertie totale I. Le plan P R p engendré par u 1 et u 2 s appelle le premier plan factoriel 2.4 s graphiques et interprétation P = Vect(u 1 ) Vect(u 2 ) Sur notre exemple concernant les billets suisses, on peut chercher à visualiser les proximités (enles termes individus, de distance c est-à-dire normée lessur vecteurs les 6 caractéristiques) X 1,... X n, éléments entrede billets R p se surprojettent le premier sur plan factoriel ce plan. (u 1 On horizontalement, parle de projection u 2 verticalement) (voir sur le Fig.2.4 premier à gauche). plan factoriel. Dans cet exemple, FIGURE 2.4 A gauche : projection sur le premier plan factoriel. A droite :

34 Outils de visualisation, cercle des On se place maintenant du point de vue des variables X 1,..., X p R n.

35 Outils de visualisation, cercle des On se place maintenant du point de vue des variables X 1,..., X p R n. On a vu que les variables d intérêt X j et les composantes C l (="les nouvelles variables") vérifient la relation px Corr(C l, X j ) 2 1 l=1 Ainsi (Corr(C 1, X j ), Corr(C 2, X j )) est à l intérieur d un cercle appelé cercle des. Interprétation Si le point dans le disque correspondant à X j est près du cercle, alors on peut considérer que X j est bien expliquée par C 1, C 2. Si des points associés à X i et X j sont près du cercle, et si les vecteurs unitaires correspondants sont approximativement orthogonaux, on peut considérer que X i et X j sont faiblement corrélées

36 , exemple des notes algebra mechanics vectors analysis statistics

37 , exemple du décathlon poid disq jave perc haut long

38 4., propriétés Exercice 1 1 Montrer que pour tout j fixé, avec C l les composantes, px Corr(C l, X j ) 2 1 l=1 2 En déduire que pour tout j le vecteur (Corr(C 1, X j ), Corr(C 2, X j )) est à l intérieur du cercle unité dit cercle des. Exercice 2 Montrer que le sous-espace H k, qui maximise l inertie du nuage projeté parmi tous les sous-espaces G de dimension k, maximise aussi K G = 1 X n 2 P G X i P G X j 2 i j

39 , propriétés Exercice 3 On se propose de démontrer le théorème principal. Sans utiliser le théorème, montrer que 1 Si E et F sont des sous-espaces orthogonaux, I E F = I E + I F 2 Montrer que pour tout sous-espace E k+1 de dimension k + 1, I Ek+1 I Hk + I Vect(u ), où u est le vecteur de H k qui maximise l inertie I Vect(u) parmi les u de H k. 3 En déduire 4 Conclure que H k+1 = H k Vect(u ), H k = Vect(u 1,..., u k ), où les u l sont les valeurs propres de Γ rangées par ordre décroissant des valeurs propres associées.

40 Exercice, situation Exercice 4 cf. Exercice photocopié Dépenses annuelles de ménages