L'analyse de données avec [width=0.45]Factologo.png Quelle...
Transcript of L'analyse de données avec [width=0.45]Factologo.png Quelle...
![Page 1: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/1.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
L’analyse de données avecQuelle évolution en 10 ans ?
François Husson
Laboratoire de mathématiques appliquées, Agrocampus Rennes
juin 2016
1 / 37
![Page 2: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/2.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Plan
1 Introduction
2 Exemple
3 Données manquantes
4 Module graphique
5 Aides diverses
2 / 37
![Page 3: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/3.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Historique du package
• 2003 : quelques programmes en S (Splus) : ACP et AFM• avr 2006 : package FactoMineR (PCA, CA, MCA, MFA, etc.)• avr 2007 : article sur FactoMineR (Journal of Statistical Software)• avr 2007 : site internet• nov 2007 : package RcmdrPlugin.FactoMineR (menu déroulant)
2 / 37
![Page 4: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/4.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
en quelques mots
Le package• propose des méthodes d’analyses factorielles et de classification• de nombreux indicateurs (qualité de représentation,contribution, description automatique des axes, ...)
• possibilité d’ajouter des éléments supplémentaires• interface graphique (en français et en anglais)• gestion des données manquantes (avec le package missMDA)• module graphique• aides à l’utilisateur (site internet, vidéos, livres)
3 / 37
![Page 5: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/5.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
en quelques motsDifférentes méthodes pour différents formats de données :
Données Méthodes FonctionVariables quantitatives An. en composantes principales PCATable de contingence An. des correspondances CAVariables qualitatives An. des correspondances multiples MCADonnées mixtes An. factorielle de données mixtes FAMDGroupes de variables An. factorielle multiple MFA
Méthodes de classification et méthodes outils complémentaires :
Méthodes FonctionClassification ascendante hiérarchique HCPCDescription d’une variable qualitative (ex. var. de classe) catdesDescription d’une variable quantitative (ex. d’une dimension) condes, dimdescConstruction d’un tableau de données textuel textual
4 / 37
![Page 6: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/6.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
en quelques mots
Quelques méthodes avancées pour différents formats de données :
Données Méthodes FonctionHiérarchie sur les variables An. factorielle multiple hiérarchique HMFAGroupes d’individus An. factorielle multiple duale DMFATableau de contingence etvariables contextuelles
An. des correspondances généraliséesur tableaux lexicaux agrégés
CaGalt
Tableaux de contingence An. factorielle multiple sur tableauxde contingence
MFA
5 / 37
![Page 7: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/7.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Plan
1 Introduction
2 Exemple
3 Données manquantes
4 Module graphique
5 Aides diverses
6 / 37
![Page 8: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/8.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Description sensorielle de vins de Loire
• 10 vins blancs du Val de Loire : 5 Vouvray - 5 Sauvignon• descripteurs sensoriels : acidité, amertume, odeur agrume, etc.
6 / 37
![Page 9: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/9.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Description sensorielle de vins de Loire
• 10 vins blancs du Val de Loire : 5 Vouvray - 5 Sauvignon
• descripteurs sensoriels : acidité, amertume, odeur agrume, etc.
O. f
ruité
O. p
assi
on
O. c
itron
…
Suc
ré
Aci
dité
Am
ertu
me
Ast
ringe
nce
Inte
nsité
arôm
e
Per
sist
ance
arôm
e
Inte
nsité
vis
uel
Cép
age
S Michaud 4,3 2,4 5,7 … 3,5 5,9 4,1 1,4 7,1 6,7 5,0 SauvignonS Renaudie 4,4 3,1 5,3 … 3,3 6,8 3,8 2,3 7,2 6,6 3,4 SauvignonS Renaudie 4,4 3,1 5,3 … 3,3 6,8 3,8 2,3 7,2 6,6 3,4 SauvignonS Trotignon 5,1 4,0 5,3 … 3,0 6,1 4,1 2,4 6,1 6,1 3,0 SauvignonS Buisse Domaine 4,3 2,4 3,6 … 3,9 5,6 2,5 3,0 4,9 5,1 4,1 SauvignonS Buisse Cristal 5,6 3,1 3,5 … 3,4 6,6 5,0 3,1 6,1 5,1 3,6 SauvignonV Aub Silex 3,9 0,7 3,3 … 7,9 4,4 3,0 2,4 5,9 5,6 4,0 VouvrayV Aub Marigny 2,1 0,7 1,0 … 3,5 6,4 5,0 4,0 6,3 6,7 6,0 VouvrayV Font Domaine 5,1 0,5 2,5 … 3,0 5,7 4,0 2,5 6,7 6,3 6,4 VouvrayV Font Brûlés 5,1 0,8 3,8 … 3,9 5,4 4,0 3,1 7,0 6,1 7,4 VouvrayV Font Coteaux 4,1 0,9 2,7 … 3,8 5,1 4,3 4,3 7,3 6,6 6,3 Vouvray
6 / 37
![Page 10: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/10.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Description sensorielle de vins : comparaison de jurys
• 10 vins blancs du Val de Loire : 5 Vouvray - 5 Sauvignon• description sensorielle de 3 jurys : œnologue, conso., étudiant• notes hédoniques de 60 consommateurs : appréciation globale
Les données : un panel d’experts + 1 panel étudiant + 1 panel conso +données d’appréciation + 1 variable qualitative (cépage)
Exemple d’AFM : les données
QltGroupes de variables quantitatives
Expert(27)
Conso(15)
Etudiant(15)
Appréciation(60)
Cépage(1)
Vin 1
Marseille - 2010
Vin 1
Vin 2
…
Vin 10
> resAFM <- MFA(don.comp, group=c(27,15,15,60,1),type=c(rep("s",4),"n"), num.group.sup=c(4:5),name.group=c("Expert","Conso","Etudiant","Appréciat ion","Cépage"))• Quelle description commune des vins (par ttes les variables) ?• Y-a t’il des spécificités par jury ?• Comparer les typologies de chaque jurys (analyses séparées)
7 / 37
![Page 11: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/11.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Graphe des individus
-2 -1 0 1 2 3
-3-2
-10
1
Dim 1 (42.52 %)
Dim
2 (
24.4
2 %
)
S Michaud S Renaudie
S Trotignon
S Buisse Domaine
S Buisse Cristal
V Aub Silex
V Aub Marigny
V Font Domaine V Font Brûlés
V Font Coteaux
Sauvignon
Vouvray
SauvignonVouvray
• Les deux cépagessont bien séparés
• Les Vouvray sontplus différents dupoint de vuesensoriel
• Plusieurs groupes devins, ...
8 / 37
![Page 12: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/12.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Représentation des variables
●
−1.0 −0.5 0.0 0.5 1.0
−1.
0−
0.5
0.0
0.5
1.0
Dim 1 (42.52%)
Dim
2 (
24.4
2%)
ExpertEtudiantConso
Int.av.agitation
Int.ap.agitationExpression
O.fruit
O.passion
O.agrume
O.fruit.confit
O.vanilleO.boisee
O.champ
O.vegetale
O.florale
O.alcool
Typicite.olf.chenin
Int.attaque
sucree
acide
amere
Astringence
Fraicheur
Oxydation
FinessePersistance.gustative
Persistance.aromatique
Int.couleur
Nuance.couleur
Impression.surface
O.Av.Intensite_E
O.Ap.Intensite_E
O.Alcool_EO.Vegetale_E
O.Champignon_E
O.Fruitpassion_E
O.Typicite_E G.Intensite_E
Sucree_E
Acide_E
Amere_E
Astringent_E
G.Alcool_E
Equilibre_E
G.Typicite_E
O.Av.Intensite_CO.Ap.Intensite_C
O.Alcool_C
O.Vegetale_C
O.Champignon_C
O.Fruitpassion_C
O.Typicite_C
G.Intensite_C
Sucree_C
Acide_C
Amere_CAstringent_C
G.Alcool_C
Equilibre_C
G.Typicite_C
9 / 37
![Page 13: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/13.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Représentation des variables
●
−1.0 −0.5 0.0 0.5 1.0
−1.
0−
0.5
0.0
0.5
1.0
Dim 1 (42.52%)
Dim
2 (
24.4
2%)
ExpertEtudiantConso
O.passion
Sucree
Acide
O.Fruitpassion_E
Sucree_E
Acide_E
O.Fruitpassion_C
Sucree_C
Acide_C
9 / 37
![Page 14: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/14.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Etude des groupes
⇒ Comparaison synthétique des groupes
⇒ Les positions des observations sont-elles similaires d’un groupe àl’autre ? Les nuages de points partiels sont-ils similaires ?
●
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Dim 1 (42.52%)
Dim
2 (
24.4
2%)
Expert
Etudiant
ConsoCépage
Préférence
• 1ère dimension commune àtous les groupes
• 2ème dimension due augroupe Expert
• 2 groupes sont prochesquand ils induisent lamême structure
10 / 37
![Page 15: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/15.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Représentation des points partiels
●
−2 0 2 4
−3
−2
−1
01
23
Dim 1 (42.52%)
Dim
2 (
24.4
2%)
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●S Michaud S Renaudie
S Trotignon
S Buisse Domaine
S Buisse Cristal
V Aub Silex
V Aub Marigny
V Font Domaine V Font Brûlés
V Font Coteaux
●
●
●
●
●
●
●
●●
●
ExpertEtudiantConso
• point partiel = représentation d’un individu vu par un groupe• un individu est au barycentre de ses points partiels• un individu est "homogène" si ses points partiels sont proches
11 / 37
![Page 16: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/16.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Représentation de variables supplémentaires
-1.0 -0.5 0.0 0.5 1.0
-1.0
-0.5
0.0
0.5
1.0
Dim 1 (42.52 %)
Dim
2 (2
4.42
%)
⇒ Les préférences sont liées àla description sensorielle
●
−1.0 −0.5 0.0 0.5 1.0
−1.
0−
0.5
0.0
0.5
1.0
Dim 1 (42.52%)
Dim
2 (
24.4
2%)
ExpertEtudiantConso
O.passion
Sucree
Acide
O.Fruitpassion_E
Sucree_E
Acide_E
O.Fruitpassion_C
Sucree_C
Acide_C
-2 -1 0 1 2 3
-3-2
-10
1
Dim 1 (42.52 %)
Dim
2 (
24.4
2 %
)S Michaud
S RenaudieS Trotignon
S Buisse Domaine
S Buisse Cristal
V Aub Silex
V Aub Marigny
V Font Domaine V Font Brûlés
V Font Coteaux
Sauvignon
Vouvray
SauvignonVouvray
12 / 37
![Page 17: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/17.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Représentation de variables supplémentaires
Vin préféré :Vouvray Aubuisières Silex
●
−1.0 −0.5 0.0 0.5 1.0
−1.
0−
0.5
0.0
0.5
1.0
Dim 1 (42.52%)
Dim
2 (
24.4
2%)
ExpertEtudiantConso
O.passion
Sucree
Acide
O.Fruitpassion_E
Sucree_E
Acide_E
O.Fruitpassion_C
Sucree_C
Acide_C
-2 -1 0 1 2 3
-3-2
-10
1
Dim 1 (42.52 %)
Dim
2 (
24.4
2 %
)S Michaud
S RenaudieS Trotignon
S Buisse Domaine
S Buisse Cristal
V Aub Silex
V Aub Marigny
V Font Domaine V Font Brûlés
V Font Coteaux
Sauvignon
Vouvray
SauvignonVouvray
12 / 37
![Page 18: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/18.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Plan
1 Introduction
2 Exemple
3 Données manquantes
4 Module graphique
5 Aides diverses
13 / 37
![Page 19: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/19.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Gestion des données manquantes avec missMDA
?
??
??
??
??
?
??
??
?
?
??
?
?
1
i
n
p1 j
Individus
Variables
Etude et mise en œuvre des méthodesfactorielles en présence de données man-quantes : ACP, ACM, AFDM, AFM
1 Imputation par analyse factorielle itérative2 Analyse du tableau complété
13 / 37
![Page 20: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/20.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
ACP Itérative
Principe : imputer par des valeurs qui n’influent pas sur lesrésultats de l’ACP
1 initialisation ` = 0 : X 0 (imputation par la moyenne)2 itération ` :
(a) ACP sur le tableau complété → (F `,U`) ;S dimensions conservées
(b) données manquantes imputées par F `U`′
=⇒ X ` = W ∗ X + (1−W ) ∗ F `U`′
(c) moyennes (et écarts-types) sont mis à jour
3 étapes d’estimation et d’imputation sont répétées
=⇒ fournit les axes et composantes principales (mieux que Nipals)=⇒ fournit une imputation du jeu de données
14 / 37
![Page 21: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/21.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Gestion des données manquantes : exemple en ACP
> library(missMDA)> data(orange)> nb <- estim_ncpPCA(orange,ncp.max=5) ## Estime le nb de dimensions> comp <- imputePCA(orange,ncp=nb,scale=TRUE) ## Complète le tableau> res.pca <- PCA(comp$completeObs) ## Effectue l’ACP
> orangeSweet Acid Bitter Pulp TypicityNA NA 2.83 NA 5.21
5.46 4.13 3.54 4.62 4.46NA 4.29 3.17 6.25 5.17
4.17 6.75 NA 1.42 3.42...
NA NA NA 7.33 5.254.88 5.29 4.17 1.50 3.50
> comp$completeObsSweet Acid Bitter Pulp Typicity5.54 4.13 2.83 5.89 5.215.46 4.13 3.54 4.62 4.465.45 4.29 3.17 6.25 5.174.17 6.75 4.73 1.42 3.42
...5.71 3.87 2.80 7.33 5.254.88 5.29 4.17 1.50 3.50
15 / 37
![Page 22: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/22.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Imputation multiple en ACP
⇒ ACP itérative : une méthode d’imputation simple
(F U ′)ik
⇒ Une valeur unique ne peut pas refléter la variabilité de prédiction
⇒ Imputation multiple : générer plusieurs valeurs plausibles pourchaque valeur manquantes
16 / 37
![Page 23: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/23.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Visualisation de l’incertitude liée aux données manquantes
> library(missMDA)> mi <- MIPCA(orange, scale = TRUE, ncp=2)> mi$res.MI ## sortie pour les tableaux imputés> plot(mi)
●
−6 −4 −2 0 2 4 6
−4
−2
02
4
Supplementary projection
Dim 1 (71.33%)
Dim
2 (
17.1
7%)
●●●
●
●
●
●
●
●●
●
●
1 23
4
5
6
78
910
11
12●
−1.5 −1.0 −0.5 0.0 0.5 1.0 1.5
−1.
0−
0.5
0.0
0.5
1.0
Variable representation
Dim 1 (71.33%)
Dim
2 (
17.1
7%) Color.intensity
Odor.intensity
Attack.intensitySweet Acid
Bitter
Pulp
Typicity
Permet d’éviter d’analyser des tableaux avec trop de donnéesmanquantes
17 / 37
![Page 24: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/24.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Gestion des données manquantes : exemple en ACM
> library(missMDA)> data(vnf)> nb <- estim_ncpMCA(vnf,ncp.max=5) ## Estime le nb de dimensions> imp <- imputeMCA(vnf, ncp=nb) ## Complète le tableau disjonctif> res <- MCA(vnf,tab.disj=imp$tab.disj) ## ACM utilisant tab disj complété
V1 V2 V3 … V14 V1_a V1_b V1_c V2_e V2_f V3_g V3_h …ind 1 a NA g … u ind 1 1 0 0 0.71 0.29 1 0 …ind 2 NA f g u ind 2 0.12 0.29 0.59 0 1 1 0 …ind 3 a e h v ind 3 1 0 0 1 0 0 1 …ind 4 a e h v ind 4 1 0 0 1 0 0 1 …ind 5 b f h u ind 5 0 1 0 0 1 0 1 …ind 6 c f h u ind 6 0 0 1 0 1 0 1 …ind 7 c f NA v ind 7 0 0 1 0 1 0.37 0.63 …
… … … … … … … … … … … … … …ind 1232 c f h v ind 1232 0 0 1 0 1 0 1 …
=⇒ Même principe avec FAMD et MFA
18 / 37
![Page 25: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/25.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Traitement d’un questionnaire avec données manquantes• 1232 répondants, 14 questions, 35 modalités, 9% de donnéesmanquantes pour 42% des répondants
●
0 1 2 3 4 5 6
−3
−2
−1
01
23
Missing single: categories
Dim 1 (11.74%)
Dim
2 (
8.61
8%)
Q1.NA
Q1_1Q1_2Q1_3
Q2.NA
Q2_1
Q2_2Q2_3
Q3.NA
Q3_1Q3_2Q3_3
Q4.NA
Q4_1
Q4_2
Q5.NA
Q5_1
Q5_2
Q6.NA
Q6_1
Q6_2
Q7.NA
Q7_1Q7_2
Q8.NA
Q8_1Q8_2
Q9.NA
Q9_1Q9_2Q9_3
Q10.NA
Q10_1Q10_2
Q11.NA
Q11_1Q11_2
Q12.NA
Q12_1Q12_2Q12_3
Q13.NA
Q13_1Q13_2Q13_3
Q14.NA
Q14_1Q14_2Q14_3
●
0 1 2 3 4 5
−3
−2
−1
01
23
Missing single: subjects
Dim 1 (11.74%)
Dim
2 (
8.61
8%)
●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●
●●●●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●●●
●
●
●
●●●
●●
●●
●●
●
●
●●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●●●
●
●●
●
●
●
●
●●●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●●
●
●
●
●
● ●
●●
●
●
●
●●
●●
●
●
●
●
●●●
●
● ●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●●●
●
●
●
●●●
●●●
●●●
●
●●●●
●
●
●
●
●
●●
●
●●
●
● ●
●
●
●●●●
●
●●
●
●
●
●●
●
● ●
●
●
●
●●●●
●●●●●●
●
●●
●
●●●●●
●
●
●
●●
●
●
●
●
●
●
●
●
●●●●●●
●●
●●
●●●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●●●
●● ●
●
●
●●
●
●
●
●●●●●●●
●
●● ●●
●
●●
●
●
●
●●●
●
●
●
●●●●
●
●
●
●
●●
●
●●
●
● ●●
●
●
●
●
●
●
●
●●
●●●
●
●
●
●
●●
●
●
●●●
●
●
●
●
●
●●●
●
●●●●
●
●
●
●
●
●
●●●
●
●●
●●
●
●
●
●
●●
●
●
●
●●
●
●●●
●
●
●● ●●
●●●
●
●●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●●
●
●●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●●●●
●
●
●
●●
●
●●●●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●●●●●
●
●
●
●●●●●
●
●●
●●
●
●
●
●●
●
●●●
●●
●
●
●
●
●●●
●
●
●●●●●
●
●
●
●
●
●●
●●
●●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●● ●
●
●●●●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●
●●●●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
● ●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●●
●
●
●
●
●●
●
●●●●●●●
●●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●●
●
●
●●●
●
●
●
●
●
●●
●
● ●
●
●
●
●
●●
●● ●
●●●
●
●
●
●
●
●
●●
●●
●
●
●
●
●●
● ●
●
●
●
●
●
●●
●
●
●
●
●
●●●
●
●
●
●
●
●●●
●
●●
●
●
●
●
●
●
●
●●●
●●
● ●
●
●●
●
●
●
●
●
●●
●
● ●
● ●
●●
●
●
●●●●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●
●●
●●
●
●
●●
●●
●
●
●
●
●
●
●
●●●●●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●●
●
●
●
●
●
●●
●●
●●
●●
●
●
●●
●
●
●●●
●
●●
●●●
●
●
●●●●
●●●
●●
●
●●●
●
●
●
●
●
●
●
●
●●
●●
●
●
●●
●
●
●
●●●
●●●●●
●
●●
●
●
●●
●
●
●
●
●
●●
●●
●
●●
●●
●
●
●
●
●
●
●●
●
●●●
●●●
●●
●
●●●
●
●
●●
●● ●
●
●
●●●
●
●
●●
●
●
●
●●
●●
●
●
●
●
●●●●
●
●
●● ●●●
●
●
●
●●
●●●
●●
●
●●●●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●●●●●
●
●●●●●
●
●
●
●
●
●
●
●●
●
●
●
●●
●● ●●●
●●●●
●●
●
●
●
●●
●●
●
●●
●●●
●
●
●●
●●
●●
●
●
●
●
●
● ●
●●
●
●●
●
●
●●
●●
●●
●
●
●●
●
●
●
●●
●●●
●●
●●
●
●
●
−1.0 −0.5 0.0 0.5 1.0 1.5
−0.
50.
00.
51.
01.
5
Regularized iterative MCA: categories
Dim 1 (14.58%)
Dim
2 (
11.2
1%)
Q1.1
Q1.2
Q1.3
Q2.1
Q2.2
Q2.3
Q3.1Q3.2
Q3.3Q4.1
Q4.2
Q5.1
Q5.2
Q6.1
Q6.2
Q7.1
Q7.2
Q8.1
Q8.2
Q9.1
Q9.2
Q9.3
Q10.1
Q10.2
Q11.1
Q11.2
Q12.1
Q12.2
Q12.3
Q13.1
Q13.2
Q13.3Q14.1
Q14.2Q14.3
●
−1.0 −0.5 0.0 0.5 1.0 1.5
−1.
0−
0.5
0.0
0.5
1.0
1.5
Regularized iterative MCA: subjects
Dim 1 (14.58%)
Dim
2 (
11.2
1%)
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●●
●
●
●
●
●●
●
● ●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●● ●●
●
●
●
●
●
●●
●
●
●● ●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●● ●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
● ●
●
●
●
●
●
●●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
● ●
●
●
●
●
●
●
●●●
●
●
●
●
●● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●●
●
●
●●
●
●
●
●
●
● ●
●
●
●●
●
●
●
●
●●● ●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
● ●
●
●
●●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
● ●
●● ●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●
●
●● ●
●
●
●
●
●
●●
●
●
●
●
● ●
●
●
●
●●
●
●
●
●
●●
●●
●
●
●●●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●●
●●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●● ●
●
● ●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●● ●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
● ●
●
●
●
−0.5 0.0 0.5 1.0 1.5 2.0
−1.
5−
0.5
0.0
0.5
1.0
1.5
iterative MCA: categories
Dim 1 (16.4%)
Dim
2 (
15.4
4%)
Q1.1 Q1.2
Q1.3
Q2.1Q2.2
Q2.3
Q3.1
Q3.2Q3.3Q4.1
Q4.2
Q5.1
Q5.2
Q6.1
Q6.2
Q7.1
Q7.2
Q8.1
Q8.2
Q9.1
Q9.2
Q9.3
Q10.1
Q10.2
Q11.1
Q11.2
Q12.1
Q12.2
Q12.3
Q13.1
Q13.2 Q13.3
Q14.1
Q14.2
Q14.3
●
−5 −4 −3 −2 −1 0 1 2
−5
−4
−3
−2
−1
01
2
iterative MCA: subjects
Dim 1 (16.4%)
Dim
2 (
15.4
4%)
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●
●
●
●●
●
●
●
●●
●
●
●
●
●
● ●
●
● ●●
●
●●
●
●●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●●●
●
●●
●
●
●
●●●
●
●
●
● ●●
●●
●
●
●
●
●●●
●●
●
●
●
●
●
●●
●
●
●●
●●
●
●●
●●
●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●●●
●●
●
●
●
●
●
●
● ●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●●● ●
●
●
●
●
●●●
●
●●
●
●
●
●●
●
●
●
●● ●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
● ●●●
●
●●
●
●
●●
●●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
● ●
●
●
●●
●
●● ●
●
●
●
●
●
●
●●●
●
●●
●
●
●
●
●
●
●
●● ●
●
●
● ●
●●
●
●
●●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
● ●
●
●
●●
●
●
●
●
●
●
●●●
●
●
●
●● ●
●●
●
● ●●
●
● ●
● ●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●●
●
●
●
●
●
●
●
●●
● ●
●
●
●
●●●
●●
●
●
●
●
●
●
●
●
●
● ●●●
●
●
●
●●●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●●
●
●
●
●
●●
●
●
●●
●●
●
● ●
●●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●● ●●
●●● ●
●
●
●
●●
●
●●
●●●●●
●
●●●
●
●●●
●
●
●
●
●
●
●
●
● ●
●●
●
●
●●
●
●●
●●
●●
●
● ●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●●
●●
●●
●
●
●
●
●
●
●
●●
●
●
●●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
● ●●●
●
●
●● ●
●●
●
●
●● ●
●
●●
●
●
●●
●
●
●
●
●
●●
●●
● ●
●
●
●
●
●
●●
●
●
●
●
●●
●●
●●
●
●●
●
●●
●
● ●
●
●
●
●
●●
●
●
●
●●
●
●
●●●
●
●
●
●●
●
●
●
●
●
●
● ●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
● ●●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●●●
●●
●
●
●
●
●●●
●
●
●
●
●
●
●
● ●
●●
●●
●
●
●●
●●
●
●
●
●
●●
●
●●
●
●
●
●
●
●● ●
●
●
●●
●
●●
●● ●●
●
●
●
●●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●●
●
●●
●
●
● ●
●
●
●●●●●●
●●
●
●●
●
●
●
●
● ●●
●●
●●
●
●●
●●
●
●
● ●● ●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●●
●●
●
●●
●
●
●●●●
●
●
●
●
● ●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●● ●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
● ●●
●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●●●
●
●
●
●●●
●
●●
● ●
●
●
●
●
●●
●
●
●
●●●●
●
●●
●
● ●●●
●
●●
●
●●
●●● ●
●●
●
●
●
●
●
●●
●
●● ●
●
●
●
●
●●
●
●
●
●
●
●
● ●●
● ●
●
●
●●
●
●
●
●●
●● ●
●
●●●
●
●
●●●
● ●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●●
●
●
●
●
●
● ●
●
●
●
●
●●
●● ●
●
19 / 37
![Page 26: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/26.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Plan
1 Introduction
2 Exemple
3 Données manquantes
4 Module graphique
5 Aides diverses
20 / 37
![Page 27: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/27.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Graphe des individus : AVANT> plot(res.pca, autoLab="no")
●
−6 −4 −2 0 2 4 6
−4
−2
02
4
Avant
Dim 1 (32.72%)
Dim
2 (
17.3
7%)
SEBRLECLAYKARPOV
BERNARD
YURKOV
WARNERS
ZSIVOCZKY
McMULLENMARTINEAUHERNU
BARRAS
NOOL
BOURGUIGNON
Sebrle
Clay
Karpov
Macey
Warners
Zsivoczky
Hernu
Nool
Bernard
Schwarzl
Pogorelov
SchoenbeckBarras
Smith
Averyanov
OjaniemiSmirnov
Qi
Drews
Parkhomenko
Terek
Gomez
Turi
Lorenzo
Karlivans
Korkizoglou
Uldal
Casarsa
DecastarOlympicG
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
20 / 37
![Page 28: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/28.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Graphe des individus : APRES> plot(res.pca, autoLab="auto") ## "yes" si nb éléments <50 sinon "no"
●
−6 −4 −2 0 2 4 6
−4
−2
02
4
Après
Dim 1 (32.72%)
Dim
2 (
17.3
7%)
SEBRLECLAY KARPOV
BERNARD
YURKOV
WARNERS
ZSIVOCZKY
McMULLEN
MARTINEAUHERNU
BARRAS
NOOL
BOURGUIGNON
Sebrle
Clay
Karpov
Macey
Warners
Zsivoczky
Hernu
Nool
Bernard
Schwarzl
Pogorelov
SchoenbeckBarras
Smith
Averyanov
OjaniemiSmirnovQi
Drews
Parkhomenko
Terek
Gomez
Turi
Lorenzo
Karlivans
Korkizoglou
Uldal
Casarsa
Decastar OlympicG
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
20 / 37
![Page 29: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/29.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Module graphique
• Concerne toutes les fonctions graphiques plot.PCA,plot.MCA, plot.CA, plot.FAMD, plot.MFA
• La fonction autoLab positionne les libellés de façon optimale• placement des libellés sur l’extérieur du graphique• calcul du taux de recouvrement des libellés• algorithme itératif minimisant le taux de recouvrement
• Quelques astuces complémentaires :• sélectionner des éléments• réduire la taille des caractères (cex = 0.7)• agrandir la fenêtre graphique• mettre une ombre sous les libellés• relancer la fonction =⇒ graphe légèrement différent
21 / 37
![Page 30: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/30.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Sélection des individus par leur qualité de représentation
> plot(res.pca, habillage="Competition", select="cos2 0.6")
●
−6 −4 −2 0 2 4 6
−4
−2
02
4
Individuals factor map (PCA)
Dim 1 (32.72%)
Dim
2 (
17.3
7%)
●
●
●
●
●
●
●
●
●
●
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
NOOL
BOURGUIGNON
SebrleClay
Karpov
Warners
Drews
Parkhomenko
Lorenzo
Casarsa
DecastarOlympicG
DecastarOlympicG
22 / 37
![Page 31: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/31.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Sélection des modalités par leur qualité de représentation
> plot(res.mca, invisible="ind", selectMod="cos2 8")
●
−1 0 1 2
−1
01
2
MCA factor map
Dim 1 (9.88%)
Dim
2 (
8.10
%)
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
Not.tearoom
tearoom
tea bag
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
F
M
student15−241/day
+2/day
friendliness
Not.friendliness
22 / 37
![Page 32: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/32.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Sélection des éléments par leur contribution> plot(res.mca,select="contrib 10",selectMod="contrib 10",shadow=TRUE)
●
−1 0 1 2
−1
01
2
MCA factor map
Dim 1 (9.88%)
Dim
2 (
8.10
%)
●
●●
●● ●●
●●
●
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
31168182
190195 202
208211227
273
tearoom
Not.friends
restotea bag
tea bag+unpackaged
unpackaged
chain store
chain store+tea shop
tea shop
p_upscale
22 / 37
![Page 33: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/33.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Sélection des éléments par une liste> liste <- c("V Aub Silex","S Trotignon","V Aub Marigny")> plot(res, partial="all", select=liste, title="Graphe des individus")
●
−2 0 2 4
−3
−2
−1
01
23
Graphe des individus
Dim 1 (42.52%)
Dim
2 (
24.4
2%)
●
●
●
●
●
●
●
●
●
S Trotignon
V Aub Silex
V Aub Marigny
●
●
●
ExpertEtudiantConso
22 / 37
![Page 34: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/34.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Sélection des variables par leur contribution> plot(res,choix="var", select="contrib 8", unselect=0, shadow=TRUE)
●
−1.5 −1.0 −0.5 0.0 0.5 1.0 1.5
−1.
0−
0.5
0.0
0.5
1.0
Correlation circle
Dim 1 (42.52%)
Dim
2 (
24.4
2%)
ExpertEtudiantConso
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
O.Alcool_E
O.Fruitpassion_E
Sucree_E
Equilibre_E
G.Typicite_E
O.Alcool_C
Sucree_C
Amere_C
22 / 37
![Page 35: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/35.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Module graphique
• Principaux arguments :autoLab = "auto" ## position optimale des libellés si nb éléments <50shadowtext = TRUE ## ombre sous le libelléinvisible=c("ind","ind.sup") ## rend invisibles certains éléments
• Sélection des éléments par :select = 1:4 ## 4 premiers indivselect = c("i1","i3") ## liste d’indivselect = "cos2 5" ## 5 indiv les mieux représentésselect = "cos2 0.6" ## indiv avec cos2 > 0.6select = "coord 3" ## 3 indiv avec coordonnées les + grandesselectMod = "contrib 8" ## 8 modalités avec contributions les + grandesunselect = 0.5 ## transparence des éléments non sélectionnésunselect = 0 ## éléments non sélectionnés de même couleurunselect = 1 ## éléments non sélectionnés non dessinésunselect = "grey30" ## éléments non sélectionnés en gris
23 / 37
![Page 36: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/36.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Graphiques interactifs avec le package Factoshiny
• Permettre à l’utilisateur de réaliser des analyses statistiquessans besoin de maîtriser le code
• Visualisation en temps réel des modifications apportées• Optimisation du visuel des graphiques avant exportation• Tous les résultats directement disponibles dans un seul objet
24 / 37
![Page 37: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/37.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Graphiques interactifs avec le package Factoshiny
Un seul paramètre en entrée :
• Un jeu de données : réalise directement l’analyse factorielle surles données> library(Factoshiny)> data(hobbies)> res <- MCAshiny(hobbies)
• Un objet résultat de FactoMineR> data(children)> res.ca <- CA(children, row.sup = 15:18, col.sup=6:8, graph=FALSE)> res <- CAshiny(res.ca)
• Un objet résultat de Factoshiny> data(decathlon)> res <- PCAshiny(decathlon)> res2 <- HCPCshiny(res)
25 / 37
![Page 38: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/38.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Graphiques interactifs avec le package Factoshiny
Une fois l’application lancée, possibilité de modifier :
• Paramètres de la fonction d’analyse factorielle• choix de variables supplémentaires• choix d’individus supplémentaires• normer ou non les variables
• Paramètres graphiques :• choix des dimensions• taille de police• coloriage par variable qualitative• sélection par qualité de représentation, contribution, liste• etc. (cf. paramètres graphiques des fonctions plot.PCA,plot.MCA, etc.)
• Paramètres de téléchargement• graphes exportables en png, pdf, jpeg
26 / 37
![Page 39: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/39.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Graphiques interactifs avec le package Factoshiny
En sortie, plusieurs onglets disponibles :
• graphes : graphes par défaut des fonctions PCA, CA, etc.• valeurs : résume les principaux résultats (cf. summary.PCA,summary.CA, etc.)
• description automatique des axes : résultats de dimdesc• résumé du jeu de données : cf. fonction summary de R• données : affichage du jeu de données
=⇒ Toutes ces sorties s’adaptent aux choix de l’utilisateur
27 / 37
![Page 40: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/40.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
De nouveaux packages graphiques
• le package explor• graphes interactifs• possibilité de bouger
les libellés
• le package factoextra• basé sur ggplot2• construction
séquentielle desgraphes en ajoutantdes couches
> library(factoextra)> fviz_pca_ind(res.pca, col.ind="contrib") +
labs(title="Graphe des individus") +scale_color_gradient2(mid="blue",high="red") +theme_minimal()
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
SEBRLECLAYKARPOV
BERNARD
YURKOV
WARNERS
ZSIVOCZKY
McMULLEN
MARTINEAUHERNU
BARRAS
NOOL
BOURGUIGNON
Sebrle
Clay
Karpov
Macey
Warners
Zsivoczky
Hernu
Nool
Bernard
Schwarzl
Pogorelov
Schoenbeck
Barras
Smith
Averyanov
Ojaniemi
Smirnov
Qi
Drews
Parkhomenko
Terek
Gomez
Turi
Lorenzo
Karlivans
Korkizoglou
Uldal
Casarsa
−2
0
2
4
−2.5 0.0 2.5 5.0Dim1 (32.7%)
Dim
2 (1
7.4%
)
10
20
30
40
50
contrib
Graphe des individus
28 / 37
![Page 41: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/41.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Plan
1 Introduction
2 Exemple
3 Données manquantes
4 Module graphique
5 Aides diverses
29 / 37
![Page 42: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/42.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Aides à l’utilisateur : un menu déroulantLe package RcmdrPlugin.FactoMineR
29 / 37
![Page 43: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/43.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Aides à l’utilisateur : site internet
• http://factominer.free.fr• en anglais et en français• exemples, aides sur les fonctions, références, etc.
30 / 37
![Page 44: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/44.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Aides à l’utilisateur : un Google group
• https://groups.google.com/group/factominer-users/• possibilité de poser des questions et/ou répondre• en français ou en anglais
31 / 37
![Page 45: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/45.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Aides à l’utilisateur : des vidéos
• page enseignement de François Husson• disponible dans les aides de FactoMineR
32 / 37
![Page 46: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/46.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Aides à l’utilisateur : diffusion
• 2 articles dans J. of stat. software (FactoMineR, missMDA)• 2 articles dans R journal (CA-galt, MFACT)• Des livres :
Analyse de données avec R (2e ed) Statistique avec R (3e ed)
33 / 37
![Page 47: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/47.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Aides à l’utilisateur : chaîne Youtube
• https://www.youtube.com/HussonFrancois• playlists en français (27 vidéos de cours & 18 vidéos logiciel)• playlist en anglais (11 vidéos)
34 / 37
![Page 48: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/48.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Aides à l’utilisateur : un MOOC
• https://www.fun-mooc.fr/• 2 sessions (2015 = 5000, 2016 = 4550 participants)• 5 semaines de cours : ACP, AFC, ACM, CAH, AFM
35 / 37
![Page 49: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/49.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
Un projet en analyse des données
missMDA : données manquantes
RcmdrPlugin.FactoMineR: menu déroulant
Factoshiny : graphes interactifs
36 / 37
![Page 50: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/50.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
D’un package à un projet sur l’analyse de données• 2003 : quelques programmes en S (Splus) : ACP, AFM• avr 2006 : package FactoMineR (PCA, CA, MCA, MFA, etc.)• avr 2007 : article sur FactoMineR (Journal of Statistical Software)• avr 2007 : site internet• nov 2007 : package RcmdrPlugin.FactoMineR (menu déroulant)• juin 2009 & fév 2016 : Analyse de données avec R• mai 2010 : package missMDA (gestion des données manquantes)• jan 2011 : Exploratory Multivariate Analysis by Example Using R• avr 2011 : tutoriels vidéos• sep 2011 : Google group• nov 2012 : Análisis de datos con R• mar 2013 : chaîne Youtube (vidéos de cours et didacticiel)• juin 2013 : article sur MFACT (R Journal)• fév 2014 : cours en ligne d’analyse de données (en local)• fév 2015 : package Factoshiny (graphes interactifs)• mar 2015 & 2016 : MOOC d’analyse de données (FUN)• juin 2015 : article sur CA-Galt (R Journal)• avr 2016 : article sur missMDA (Journal of Statistical Software)• packages factoextra et explor (graphes interactifs) 37 / 37
![Page 51: L'analyse de données avec [width=0.45]Factologo.png Quelle …math.agrocampus-ouest.fr/infoglueDeliverLive/digital... · 2018-04-12 · juin2016 1/37. IntroductionExempleDonnées](https://reader033.fdocument.pub/reader033/viewer/2022050204/5f57dfa9cf00f13b69253bbc/html5/thumbnails/51.jpg)
Introduction Exemple Données manquantes Module graphique Aides diverses
D’un package à un projet sur l’analyse de données• 2003 : quelques programmes en S (Splus) : ACP, AFM• avr 2006 : package FactoMineR (PCA, CA, MCA, MFA, etc.)• avr 2007 : article sur FactoMineR (Journal of Statistical Software)• avr 2007 : site internet• nov 2007 : package RcmdrPlugin.FactoMineR (menu déroulant)• juin 2009 & fév 2016 : Analyse de données avec R• mai 2010 : package missMDA (gestion des données manquantes)• jan 2011 : Exploratory Multivariate Analysis by Example Using R• avr 2011 : tutoriels vidéos• sep 2011 : Google group• nov 2012 : Análisis de datos con R• mar 2013 : chaîne Youtube (vidéos de cours et didacticiel)• juin 2013 : article sur MFACT (R Journal)• fév 2014 : cours en ligne d’analyse de données (en local)• fév 2015 : package Factoshiny (graphes interactifs)• mar 2015 & 2016 : MOOC d’analyse de données (FUN)• juin 2015 : article sur CA-Galt (R Journal)• avr 2016 : article sur missMDA (Journal of Statistical Software)• packages factoextra et explor (graphes interactifs) 37 / 37