l`analyse en composantes principales acp
Transcription
l`analyse en composantes principales acp
L’ANALYSE EN COMPOSANTES PRINCIPALES A.C.P. Remarque: Les aspects mathématiques et les démonstrations seront développés en cours Pierre-Louis Gonzalez INTRODUCTION Données : n individus observés sur p variables quantitatives. L’A.C.P. permet d’explorer les liaisons entre variables et les ressemblances entre individus. Résultats : Ö Visualisation des individus (Notion de distances entre individus) Ö Visualisation des variables (en fonction de leurs corrélations) 2 INTERPRÉTATION DES RÉSULTATS c Mesurer la qualité des représentations obtenues : z critère global z critères individuels d « Donner des noms aux axes » Expliquer la position des individus e Utilisation éventuelle de variables supplémentaires (illustratives) 3 I. L’ANALYSE EN COMPOSANTES PRINCIPALES LE PROBLÈME 1. LES DONNÉES p variables quantitatives observées sur n individus. X1 X (n,p) n X2 Xj Xp x11 x1j x1p x12 x 2j x 2p x12 x ij x ip x1n x nj x pn individu e'i Variable Xj p INDIVIDU = Élément de Rp VARIABLE = Élément de Rn 4 On cherche à représenter le nuage des individus. A chaque individu noté ei, on peut associer un point dans Rp = espace des individus. X3 x 3i ei x1i X 1 x 2i X2 A chaque variable du tableau X est associé un axe de Rp. Impossible à visualiser dès que p > 3. 5 2. PRINCIPE DE L’A.C.P. On cherche une représentation des n individus e1 , e 2 . .. e n , dans un sous-espace Fk de Rp de dimension k (k petit 2 ; 3 ...) (par exemple un plan) Autrement dit, on cherche à définir k nouvelles variables combinaisons linéaires des p variables initiales qui feront perdre le moins d’information possible. Ces variables seront appelées « composantes principales », les axes qu’elles déterminent : « axes principaux » les formes linéaires associées : « facteurs principaux » 6 « Perdre le moins d’information possible » c Fk devra être « ajusté » le mieux possible au nuage des e i : la somme des carrés des distances des e i à Fk doit être minimale. d Fk est le sous-espace tel que le nuage projeté ait une inertie (dispersion) maximale. c et d sont basés sur les notions de : distance projection orthogonale 7 ei ej Δ2 βi βj fi fj αi αj Δ1 La distance entre fi et fj est inférieure à la distance entre ei et ej 8 3. LE CHOIX DE LA DISTANCE ENTRE INDIVIDUS B yB Dans le plan : A d 2 (A, B) = (x B − x A ) + (y B − y A ) 2 yA xB xA Dans l’espace Rp à p dimensions, on généralise cette notion : la distance euclidienne entre deux individus s’écrit : ( = (x ) ... x ) e i = x1i x 2i ... x ip ej 1 j x 2j p j ) ( ( ) ( 2 d 2 e i , e j = x1i − x1j + x 2i − x 2j (e , e ) = ∑ (x p d 2 i ! j k =1 k i − x kj ) ) 2 ( + . .. x ip − x pj ) 2 2 Le problème des unités ? 9 2 Pour résoudre ce problème, on choisit de transformer les données en données centrées-réduites. L’observation x ik est alors remplacée par : UNITÉS D’ÉCART TYPE : x ik x k sk où : x k = moyenne de la variable X k Δ k = écart-type de la variable X k Exemple : Puissance moyenne de 30 voitures = 92 ch Ecart-type = 24 ch Renault 21 TXI : 140 ch La Renault 21 TXI a une puissance qui est de : 140 − 92 = 2 écarts-type au-dessus de la moyenne. 24 10 4. INERTIE TOTALE n 1 2 d (e i , g) n Ig = ∑ i = somme pondérée des carrés des distances des individus au centre de gravité g . L’inertie mesure la dispersion totale du nuage de points. L’inertie est donc aussi égale à la somme des variances des variables étudiées. En notant V la matrice de variances-covariances : ........... ............ 2 ⎛ s1 s12 ........ s1p ⎞ ⎜ ⎟ 2 ⎟ V= ⎜ s2 ⎜ ⎟ 2 s s ⎝ p1 p ⎠ p I g = ∑ si2 i =1 I g = Tr ( V) Remarque 1 : Dans le cas où les variables sont centrées réduites, la variance de chaque variable vaut 1. L’inertie totale est alors égale à p (nombre de variables). 11 Remarque 2 : Equivalence des deux critères concernant la « perte d’information » Projection orthogonale du nuage sur un sous-espace ei fi g F Soit F un sous-ensemble de Rp f i la projection orthogonale de e i sur F On va chercher F tel que : n c pi ∑ i 1 = ei − f i 2 soit minimal , ce qui revient d’après le théorème de Pythagore à maximiser : n d ∑ pi f i − g 2 i =1 2 , car on a : ei − g = ei − f i + f i − g n Donc : 2 p i ei − g ∑ i = 1 quantité fixe 2 − n 2 ∀i = 1 . .. n pi ei − f i = ∑ i = 1 minimiser cette ⇔ quantité (carrés des distances entre points individus et leurs projections 2 n pi f i − g ∑ i = 1 maximiser l’inertie du nuage projeté 2 12 II. LA SOLUTION DU PROBLÈME POSÉ La recherche d’axes portant le maximum d’inertie équivaut à la construction de nouvelles variables (auxquelles sont associées ces axes) de variance maximale. En d’autres termes, on effectue un changement de repère dans Rp de façon à se placer dans un nouveau système de représentation où le premier axe apporte le plus possible de l’inertie totale du nuage, le deuxième axe le plus possible de l’inertie non prise en compte par le premier axe, et ainsi de suite. Cette réorganisation s’appuie sur la diagonalisation de la matrice de variances-covariances. 13 1. SOLUTION Axes principaux On appelle axes principaux d’inertie les axes de direction des vecteurs propres de V normés à 1. Il y en a p. Le premier axe est celui associé à la plus grande valeur propre λ 1 . On le note u1 . Le deuxième axe est celui associé à la deuxième valeur propre λ 2 . On le note u 2 . Composantes principales A chaque axe est associé une variable appelée composante principale. La composante c1 est le vecteur renfermant les cordonnées des projections des individus sur l’axe 1. La composante c 2 est le vecteur renfermant les cordonnées des projections des individus sur l’axe 2. Pour obtenir ces coordonnées, on écrit que chaque composante principale est une combinaison linéaire des variables initiales. Exemple : c1 = u11 x1 + u12 x 2 + ... u1p x p 14 2. PROPRIÉTÉS DES COMPOSANTES PRINCIPALES c La variance d’une composante principale est égale à l’inertie apportée par l’axe principal qui lui est associé. 1ère composante c1 variance : λ 1 2ème composante c 2 variance : λ 2 3ème composante c 3 variance : λ 3 d Les composantes principales sont non corrélées deux à deux. En effet, les axes associés sont orthogonaux. 15 3. REPRÉSENTATION DES INDIVIDUS La jème composante principale ........ ⎛ c1j ⎞ ⎜ j⎟ ⎜ c2 ⎟ j c =⎜ ⎟ ⎜ ⎟ ⎜ j⎟ ⎝ cn ⎠ fournit les coordonnées des n individus sur le jème axe principal. Si on désire une représentation plane des individus, la meilleure sera celle réalisée grâce aux deux premières composantes principales. ei 2 c2i g 1 c1i ! ej Attention à la qualité de représentation de chaque individu. 16 4. REPRÉSENTATION DES VARIABLES Les « proximités » entre les composantes principales et les variables initiales sont mesurées par les covariances, et surtout les corrélations. ( ) r c j , x i est le coefficient de corrélation linéaire entre c j et x i . c2 ( 2 r c ,x i xi ) ( r c1 , x i ) 1 c CERCLE DES CORRÉLATIONS 17 5. INTERPRETATION DES « PROXIMITÉS » ENTRE VARIABLES On utilise un produit scalaire entre variables permettant d’associer aux paramètres courants : écart-type, coefficient de corrélation linéaire des représentations géométriques. ( ) 1 x ,x = n i j n ∑x k =1 i k x kj On suppose les variables centrées. z zz (x , x ) = Cov (x , x ) x i j i 2 1 = x ,x = n xi Î zzz zzzz 2 xi i ( i j j ) ∑ (x ) n k =1 = s2i = variance de x i 2 = écart-type de x i Coefficient de corrélation linéaire (X , X ) = Cov (X , X ) = r Cos ( X , X ) = i Î i 2 k i j i j X i X j si s j j (X , X ) i j 18 X 3 X 1 X2 X1 et X 2 ont une corrélation proche de 1. X1 et X 3 ont une corrélation proche de 0. 19 III. VALIDITÉ DES REPRÉSENTATIONS 1. CRITÈRE GLOBAL λi mesure la part d’inertie expliquée par l’axe i. λ 1 + λ 2 + ... λ p Exemple : λ1 + λ 2 p ∑λ i =1 i est la part d’inertie expliquée par le premier plan principal. Ce critère (souvent exprimé en pourcentage) mesure le degré de reconstitution des carrés des distances. La réduction de dimension est d’autant plus forte que les variables de départ sont plus corrélées. 20 Combien d’axes ? Différentes procédures : c Pourcentage d’inertie souhaité : a priori d Diviser l’inertie totale par le nombre de variables initiales Ö inertie moyenne par variable : I.M. Conserver tous les axes apportant une inertie supérieure à cette valeur I.M. (inertie > 1 si variables centrées réduites). e Histogramme 4 3 .. . 2 1 λ1 λ 2 λ 1 = 4,5 λ 2 = 3,8 λ 3 = 2,9 λ3 .... λ4 λ5 λ6 λ7 cassure 21 2. CRITÈRES INDIVIDUELS Pour chaque individu e i , la qualité de sa représentation est définie par le carré du cosinus de l’angle entre l’axe de projection et le vecteur e i . ei axe 2 θ2 θ θ1 y fi axe 1 cos2 θ = cos2 θ1 + cos2 θ 2 En général, les qualités de représentation sont données axe par axe. Pour avoir la qualité de représentation dans un plan, on additionne les critères correspondant aux axes étudiés. ! Ce critère n’a pas de signification pour les individus proches de g . c regarder les distances des individus au centre de gravité g d utiliser le critère de cos2 pour les individus suffisamment éloignés de g . 22 CONTRIBUTIONS Il est très utile aussi de calculer pour chaque axe la contribution apportée par les divers individus à cet axe. Considérons la kème composante principale c k , soit c ik la valeur de la composante pour le ième individu. ( ) n 1 k c n i ∑ i =1 2 = λk La contribution de l’individu e i à la composante n° k est définie par : ( ) 1 k c n i λk 2 Remarque : Il n’est pas souhaitable qu’un individu ait une contribution excessive (car facteur d’instabilité) Î éliminer les individus dont la contribution est trop importante. Problème des enquêtes par sondage 23 3. REPRÉSENTATION DES VARIABLES Le cercle des corrélations est la projection du nuage des variables sur le plan des composantes principales. corrélation = cosinus c2 c1 Les variables bien représentées sont celles qui sont proches du cercle : celles qui sont proches de l’origine sont mal représentées. 24 4. INTERPRÉTATION EXTERNE : VARIABLES ET INDIVIDUS SUPPLÉMENTAIRES (ILLUSTRATIFS) Variables • Variable quantitative : On calcule le coefficient de corrélation entre la variable supplémentaire et les composantes principales. Ceci permet sa représentation sur le cercle des corrélations. zz Variable qualitative : Â Identification des individus de chaque catégorie de la variable 25 Â Représentation de chaque catégorie par son centre de gravité. ? ? ? Â Calcul du rapport de corrélation entre la variable qualitative supplémentaire et chaque composante principale (test de FischerSnedecor) ou valeur-test dans SPAD. Individus Individu de poids nul ne participant pas à l’analyse (fichier test). Appliquer aux coordonnées de l’individu les expressions définissant les composantes principales. 26