🔵 𝓓𝓸𝓷𝓷é𝓮𝓼 𝓬𝓪𝓽é𝓰𝓸𝓻𝓲𝓮𝓵𝓵𝓮𝓼 : 𝓹𝓸𝓾𝓻𝓺𝓾𝓸𝓲 𝓵’𝓐𝓒𝓟 𝓷’𝓮𝓼𝓽 𝓹𝓪𝓼 𝓽𝓸𝓾𝓳𝓸𝓾𝓻𝓼 𝓵𝓪 𝓫𝓸𝓷𝓷𝓮 𝓸𝓹𝓽𝓲𝓸𝓷 ?

Lorsque vous travaillez avec des 𝓭𝓸𝓷𝓷é𝓮𝓼 𝓬𝓪𝓽é𝓰𝓸𝓻𝓲𝓮𝓵𝓵𝓮𝓼, l’𝓐𝓷𝓪𝓵𝔂𝓼𝓮 𝓮𝓷 𝓒𝓸𝓶𝓹𝓸𝓼𝓪𝓷𝓽𝓮𝓼 𝓟𝓻𝓲𝓷𝓬𝓲𝓹𝓪𝓵𝓮𝓼 (𝓐𝓒𝓟) n’est pas toujours adaptée, car elle repose sur des variables 𝓷𝓾𝓶é𝓻𝓲𝓺𝓾𝓮𝓼.

Voici des 𝓪𝓵𝓽𝓮𝓻𝓷𝓪𝓽𝓲𝓿𝓮𝓼 𝓹𝓵𝓾𝓼 𝓪𝓭𝓪𝓹𝓽é𝓮𝓼 à considérer :

---

✔️ 𝓐𝓷𝓪𝓵𝔂𝓼𝓮 𝓭𝓮𝓼 𝓒𝓸𝓻𝓻𝓮𝓼𝓹𝓸𝓷𝓭𝓪𝓷𝓬𝓮𝓼 𝓜𝓾𝓵𝓽𝓲𝓹𝓵𝓮𝓼 (𝓐𝓒𝓜)
Extension de l’analyse des correspondances à 𝓹𝓵𝓾𝓼𝓲𝓮𝓾𝓻𝓼 𝓿𝓪𝓻𝓲𝓪𝓫𝓵𝓮𝓼 𝓬𝓪𝓽é𝓰𝓸𝓻𝓲𝓮𝓵𝓵𝓮𝓼, elle permet d’identifier les 𝓻𝓮𝓵𝓪𝓽𝓲𝓸𝓷𝓼 et structures sous-jacentes.

---

✔️ 𝓐𝓷𝓪𝓵𝔂𝓼𝓮 𝓕𝓪𝓬𝓽𝓸𝓻𝓲𝓮𝓵𝓵𝓮 𝓭𝓮 𝓓𝓸𝓷𝓷é𝓮𝓼 𝓜𝓲𝔁𝓽𝓮𝓼 (𝓕𝓐𝓓𝓜)
Méthode idéale pour les 𝓳𝓮𝓾𝔁 𝓭𝓮 𝓭𝓸𝓷𝓷é𝓮𝓼 𝓶𝓲𝔁𝓽𝓮𝓼 (catégorielles et numériques), permettant une 𝓻é𝓭𝓾𝓬𝓽𝓲𝓸𝓷 𝓭𝓮 𝓭𝓲𝓶𝓮𝓷𝓼𝓲𝓸𝓷 cohérente.

---

✔️ 𝓽-𝓢𝓝𝓔 𝓹𝓸𝓾𝓻 𝓭𝓸𝓷𝓷é𝓮𝓼 𝓬𝓪𝓽é𝓰𝓸𝓻𝓲𝓮𝓵𝓵𝓮𝓼
Technique non linéaire particulièrement utile pour la 𝓿𝓲𝓼𝓾𝓪𝓵𝓲𝓼𝓪𝓽𝓲𝓸𝓷 𝓭𝓮 𝓭𝓸𝓷𝓷é𝓮𝓼 à 𝓱𝓪𝓾𝓽𝓮 𝓭𝓲𝓶𝓮𝓷𝓼𝓲𝓸𝓷.

---

✔️ 𝓐𝓷𝓪𝓵𝔂𝓼𝓮 𝓭𝓮𝓼 𝓒𝓵𝓪𝓼𝓼𝓮𝓼 𝓛𝓪𝓽𝓮𝓷𝓽𝓮𝓼 (𝓛𝓒𝓐)
Permet d’identifier des 𝓰𝓻𝓸𝓾𝓹𝓮𝓼 𝓱𝓸𝓶𝓸𝓰è𝓷𝓮𝓼 d’individus partageant des caractéristiques similaires.

---

📌 𝓐𝓹𝓹𝓵𝓲𝓬𝓪𝓽𝓲𝓸𝓷 𝓹𝓻𝓪𝓽𝓲𝓺𝓾𝓮

🔹 𝓢𝓸𝓾𝓼 𝓡 : utiliser le package FactoMineR pour l’ACM et la FADM
🔹 𝓢𝓸𝓾𝓼 𝓟𝔂𝓽𝓱𝓸𝓷 : utiliser le package prince pour l’ACM et la FADM

---

📊 𝓜𝓪î𝓽𝓻𝓲𝓼𝓮𝓻 𝓵𝓪 𝓻é𝓭𝓾𝓬𝓽𝓲𝓸𝓷 𝓭𝓮 𝓭𝓲𝓶𝓮𝓷𝓼𝓲𝓸𝓷, c’est choisir 𝓵𝓪 𝓫𝓸𝓷𝓷𝓮 𝓶é𝓽𝓱𝓸𝓭𝓮 en fonction de la nature des données.

---

---

Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨

https://forms.gle/yZAZimRXbTFbUWZk6

#AnalyseDeDonnées #Statistique #MachineLearning #DataScience #ACP