Data Value

Méthodes PLS

Par Data Value

Objectifs

Extraire l’information utile et pertinente d’un ensemble de données pour lesquels les méthodes classiques sont inopérantes du fait d’un déséquilibre du fichier (plus de colonnes que de lignes, nombre important de données manquantes, redondance significative entre les variables exogènes).
Le but est l’exploration (évaluation de la structure de corrélation, présence de groupes, d'individus atypiques,…) et la modélisation (pouvoir prédire et anticiper le comportement d’un processus industriel ou transactionnel).

Programme

- Méthode NIPALS (Non Iterative Partial Least Square)

  • Présentation de la méthode NIPALS
  • Particularités de cette méthode pour l’analyse des données
  • Utilisation pour les différents outils de l’analyse des données selon les objectifs poursuivis
    • Exploration
    • Modélisation
    • Prédiction
  • Présentation du logiciel SIMCA
    • Ergonomie
    • Mise en oeuvre
    • Manipulations sur divers exemples

- L’analyse en Composantes principales (A.C.P.)

  • Particularités de l’ACP mise en œuvre avec l’algorithme NIPALS
  • Représentation géométrique
  • Approche algébrique
  • Mise en œuvre
  • Analyse
  • Utilisation des aides à l’interprétation
  • Exemples d’utilisation traités

- La régression PLS

  • Principes de la régression PLS avec l’algorithme NIPALS
  • Avantages par rapport aux méthodes de régression classiques (gestion de la multicolinéarité, des valeurs manquantes, tableaux déséquilibrés avec plus de colonnes que de lignes,…)
  • Régression PLS1
    • Présentation de la PLS1
    • Construction d’un modèle PLS1
    • Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
    • Validation externe
    • Les prévisions
    • Présentation et utilisation des aides à l’interprétation
    • Application sur divers exemples traités
  • Régression PLS2
    • Présentation de la PLS2
    • Particularités de la PLS2
    • Conditions d’utilisation
    • Construction d’un modèle PLS2
    • Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
    • Validation externe
    • Les prévisions
    • Présentation et utilisation des aides à l’interprétation
    • Application sur divers exemples traités

- L’analyse Discriminante

  • Types de données et objectifs poursuivis
  • Exploration et identification de groupes
  • Affectation de nouveaux individus : prédiction
  • Méthode SIMCA (Soft Independent Modeling of Class Analogy)
  • Utilisation de l’ACP NIPALS pour l’identification de groupes
  • Règles de discrimination : le Cooman’s plot
  • Mode d’affectation de nouveaux individus ou groupe d’individus
  • Exploration et identification de groupes
  • Application sur divers exemples
  • La régression PLSDA (Discriminant Analysis)
    • Présentation et particularités de la PLSDA
    • Conditions d’utilisation
    • Construction d’un modèle PLSDA
    • Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
    • Validation externe
    • Les prévisions
    • Présentation et utilisation des aides à l’interprétation
    • Application sur divers exemples traités

- Applications

  • Analyses de spectres
  • Contrôle de procédés par lots (batch)
  • Contrôle statistique multidimensionnel MSPC
  • Introduction à l’analyse des données OMICS

Pédagogie

Exposés, exercices et travaux pratiques mis en œuvre dans le logiciel Simca

Formations de la même catégories (5)

Orsys
Splunk, analyse des données opérationnellesPar Orsys

Splunk est un outil qui ambitionne de nous aider dans la collecte et le tri de l'information pertinente : un outil que l'on pourrait désigner par "corrélateur d'événements". Cette formation vous permettra de configurer, analyser et générer des rapports sur les données en fonction de vos alertes personnalisées.

Data Value
Analyse des données : méthodes décisionnellesPar Data Value

Découvrir les principales méthodes décisionnelles d'analyse des données (arbres de décision, règles d'association, régression multiple, analyse discriminante, ...), choisir celle appropriée au problème et aux données. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l'information obtenue et communiquer les résultats importants

Feel Europe
MyReport DataPar Feel Europe
  • Savoir implémenter un entrepôt de données avec MyReport
Orsys
Tableau Desktop, exploiter visuellement ses donnéesPar Orsys

Outil de visualisation de données, Tableau Desktop permet d'explorer les données, de les analyser et de les présenter dans un format graphique et visuel. A l'issue de ce stage pratique, vous serez à même de concevoir des visualisations de données évoluées et interactives.