🎯 𝑨𝒏𝒂𝒍𝒚𝒔𝒆 𝒆𝒏 𝑪𝒐𝒎𝒑𝒐𝒔𝒂𝒏𝒕𝒆𝒔 𝑷𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍𝒆𝒔 (𝑨𝑪𝑷) : 𝑷𝒐𝒖𝒓𝒒𝒖𝒐𝒊 𝒄’𝒆𝒔𝒕 𝒆𝒔𝒔𝒆𝒏𝒕𝒊𝒆𝒍 ?

📉📈 𝑺𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍’𝑨𝑪𝑷

L’𝑨𝑪𝑷 (Analyse en Composantes Principales) est une méthode puissante qui permet de 𝒔𝒊𝒎𝒑𝒍𝒊𝒇𝒊𝒆𝒓 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔 𝒄𝒐𝒎𝒑𝒍𝒆𝒙𝒆𝒔 tout en conservant l’essentiel de l’information.

---

🔹 𝑹𝒆́𝒅𝒖𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒅𝒊𝒎𝒆𝒏𝒔𝒊𝒐𝒏

Si vous avez beaucoup de variables (gènes, nutriments du sol, traits végétaux, bandes spectrales…), l’ACP les transforme en :

𝑷𝑪1, 𝑷𝑪2, 𝑷𝑪3… (Composantes Principales)

👉 Moins de variables
👉 Même information essentielle

---

🔹 𝑴𝒊𝒔𝒆 𝒆𝒏 𝒆́𝒗𝒊𝒅𝒆𝒏𝒄𝒆 𝒅𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒔 𝒄𝒂𝒄𝒉𝒆́𝒆𝒔

L’ACP permet de visualiser :

✔ Des groupes
✔ Des séparations
✔ Des clusters

Exemples :
• Variétés de plantes
• Niveaux de fertigation
• Plantes saines vs stressées
• Groupes ER+ vs ER−

Si les groupes sont séparés sur PC1 vs PC2, cela signifie qu’ils diffèrent globalement.

---

🔹 𝑺𝒖𝒑𝒑𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒓𝒆𝒅𝒐𝒏𝒅𝒂𝒏𝒄𝒆

Beaucoup de variables sont corrélées entre elles :

• Hauteur, surface foliaire, biomasse
• Nitrate et conductivité (EC)

L’ACP combine ces variables corrélées en quelques composantes synthétiques, évitant la répétition d’information.

---

🔹 𝑰𝒅𝒆𝒏𝒕𝒊𝒇𝒊𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒍𝒆𝒔 𝒑𝒍𝒖𝒔 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕𝒆𝒔

Grâce aux 𝑳𝒐𝒂𝒅𝒊𝒏𝒈𝒔 :

✔ Un loading élevé = forte contribution à la composante
✔ Permet d’identifier les variables qui expliquent le plus la variation

👉 « Quelle variable explique réellement la différence ? »

---

🔹 𝑽𝒊𝒔𝒖𝒂𝒍𝒊𝒔𝒂𝒕𝒊𝒐𝒏 𝒇𝒂𝒄𝒊𝒍𝒊𝒕𝒆́𝒆

Impossible de visualiser 20 variables simultanément.

Mais avec l’ACP :

✔ Graphique PC1 vs PC2
✔ Graphique PC1 vs PC3

On observe facilement :

• Tendances
• Regroupements
• Valeurs aberrantes

---

🔹 𝑹𝒆́𝒅𝒖𝒄𝒕𝒊𝒐𝒏 𝒅𝒖 𝒃𝒓𝒖𝒊𝒕

Les composantes secondaires contiennent souvent :

• Variabilité aléatoire
• Erreurs de mesure

En gardant uniquement les principales composantes, on améliore la qualité de l’analyse.

---

🔹 𝑨𝒎𝒆́𝒍𝒊𝒐𝒓𝒆 𝒍𝒆𝒔 𝒎𝒐𝒅𝒆̀𝒍𝒆𝒔 𝒅’𝒂𝒑𝒑𝒓𝒆𝒏𝒕𝒊𝒔𝒔𝒂𝒈𝒆

Avant le Machine Learning, l’ACP permet de :

✔ Réduire le surapprentissage
✔ Réduire le temps d’entraînement
✔ Stabiliser les modèles

Particulièrement utile si :

• Beaucoup de variables
• Petit échantillon

---

🔹 𝑫𝒆́𝒕𝒆𝒄𝒕𝒊𝒐𝒏 𝒅’𝒐𝒖𝒕𝒍𝒊𝒆𝒓𝒔

Les points éloignés du nuage principal dans un graphique ACP sont souvent :

• Échantillons atypiques
• Erreurs potentielles
• Variations biologiques extrêmes

---

🔹 𝑪𝒆 𝒒𝒖𝒆 𝒍’𝑨𝑪𝑷 𝒏𝒆 𝒇𝒂𝒊𝒕 𝒑𝒂𝒔

❌ L’ACP ne teste pas directement la significativité (contrairement à ANOVA ou t-test).

C’est une méthode 𝒆𝒙𝒑𝒍𝒐𝒓𝒂𝒕𝒐𝒊𝒓𝒆.

Ensuite, on peut confirmer les résultats avec :

✔ ANOVA / MANOVA
✔ PERMANOVA
✔ Modèles de classification

---

💡 𝑬𝒏 𝒓𝒆́𝒔𝒖𝒎𝒆́

Si PC1 et PC2 séparent clairement les groupes, cela signifie que l’ACP capture une 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 𝒓𝒆́𝒆𝒍𝒍𝒆 dans les données.

L’ACP est donc un outil fondamental pour :

✔ Explorer
✔ Comprendre
✔ Simplifier
✔ Préparer les analyses avancées

---

---

---

________________________________________________________________________________

Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues !

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

________________________________________

---

#ACP #AnalyseDeDonnées #StatistiquesAvancées #DataScience #MachineLearning