Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Rappels d’analyse factorielle
François Husson
Département de statistique et informatique - Institut Agro - Rennes
[Link]
1 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Rappels d’analyse factorielle
1 Décomposition en valeurs singulières (SVD)
2 SVD et images
3 Lien SVD et ACP, AFC, ACM
2 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
Qu’est-ce qu’une matrice de rang 1 ?
Matrice de rang 1
1 2 3 4
2 4 6 8
5 10 15 20
-1 -2 -3 -4
-10 -20 -30 -40
3 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
Qu’est-ce qu’une matrice de rang 1 ?
Matrice de rang 1
1 2 3 4
1 1 2 3 4
2 2 4 6 8
5 5 10 15 20
-1 -1 -2 -3 -4
-10 -10 -20 -30 -40
3 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
Qu’est-ce qu’une matrice de rang 1 ?
Matrice de rang 1
1 2 3 4
1 1 2 3 4 1 2 3 4 1
2 2 4 6 8 2 4 6 8 2
5 5 10 15 20 5 10 15 20 = 5 1 2 3 4
-1 -1 -2 -3 -4 -1 -2 -3 -4 -1
-10 -10 -20 -30 -40 -10 -20 -30 -40 -10
3 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
Qu’est-ce qu’une matrice de rang 1 ?
Matrice de rang 1
1 2 3 4
1 1 2 3 4 1 2 3 4 1
2 2 4 6 8 2 4 6 8 2
5 5 10 15 20 5 10 15 20 = 5 1 2 3 4
-1 -1 -2 -3 -4 -1 -2 -3 -4 -1
-10 -10 -20 -30 -40 -10 -20 -30 -40 -10
5*4 = 20 valeurs 5+4 = 9 valeurs
3 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
Toutes les matricespar
Approximation sont-elles de rangde
des matrices 1 ?rang 1
?
2 4 -1 -5
-2 -4 1 7 ?
1 -2 0 -4
0 -6 3 8
= ? ? ? ? ?
?
1 0 0 -4
?
4 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
Toutes les matricespar
Approximation sont-elles de rangde
des matrices 1 ?rang
Non,
1 mais ...
?
2 4 -1 -5
-2 -4 1 7 ?
1 -2 0 -4
0 -6 3 8
= ? ? ? ? ?
?
1 0 0 -4
?
4 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
Toutes les matrices sont-elles de rang 1 ? Non, mais ...elles
peuvent toutes s’écrire comme une somme de matrices de rang 1
4 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
Toutes les matrices sont-elles de rang 1 ? Non, mais ...elles
peuvent toutes s’écrire comme une somme de matrices de rang 1
Normer les vecteurs bleu et vert en multipliant par une constante
rouge
4 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
La SVD d’une matrice X(n,p) donne les matrices U(n,r ) , Λ(r ,r ) et
V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
5 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
La SVD d’une matrice X(n,p) donne les matrices U(n,r ) , Λ(r ,r ) et
V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
5 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
La SVD d’une matrice X(n,p) donne les matrices U(n,r ) , Λ(r ,r ) et
V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
5 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
La SVD d’une matrice X(n,p) donne les matrices U(n,r ) , Λ(r ,r ) et
V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
5 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : principe
La SVD d’une matrice X(n,p) donne les matrices U(n,r ) , Λ(r ,r ) et
V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
Avec les 2 premières dimensions, on a une approximation de X de
rang 2, avec 2 × (n + 1 + p) valeurs au lieu de n × p
5 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : exemple
2 4 -1 -5
-2 -4 1 7
1 -2 0 -4
0 -6 3 8
1 0 0 -4
6 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : exemple
2 4 -1 -5 -0,43 0,11 0,59 0,54 15,4 -0,15 -0,49 0,19 0,84
-2 -4 1 7 0,54 0,09 -0,40 0,41 4,7 -0,26 0,81 -0,23 0,48
1 -2 0 -4 = -0,16 -0,80 -0,25 0,47 0,82 0,27 0,45 0,20
2,1
0 -6 3 8 0,66 -0,35 0,65 -0,06 0,48 -0,19 -0,84 0,17
1 0 0 -4 -0,23 -0,46 0,00 -0,56
0,36
6 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : exemple
2 4 -1 -5 -0,43 0,11 0,59 0,54 15,4 -0,15 -0,49 0,19 0,84
-2 -4 1 7 0,54 0,09 -0,40 0,41 4,7 -0,26 0,81 -0,23 0,48
1 -2 0 -4 = -0,16 -0,80 -0,25 0,47 0,82 0,27 0,45 0,20
2,1
0 -6 3 8 0,66 -0,35 0,65 -0,06 0,48 -0,19 -0,84 0,17
1 0 0 -4 -0,23 -0,46 0,00 -0,56
0,36
-0,43
0,54
15,4 -0,16 -0,15 -0,49 0,19 0,84
0,66 -0,26 0,81 -0,23 0,48
-0,23
1.01 3.27 -1.28 -5.55
-1.26 -4.09 1.61 6.94
0.38 1.23 -0.48 -2.10
-1.55 -5.02 1.97 8.53
0.53 1.72 -0.67 -2.92
Approximation acceptable
6 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : exemple
2 4 -1 -5 -0,43 0,11 0,59 0,54 15,4 -0,15 -0,49 0,19 0,84
-2 -4 1 7 0,54 0,09 -0,40 0,41 4,7 -0,26 0,81 -0,23 0,48
1 -2 0 -4 = -0,16 -0,80 -0,25 0,47 0,82 0,27 0,45 0,20
2,1
0 -6 3 8 0,66 -0,35 0,65 -0,06 0,48 -0,19 -0,84 0,17
1 0 0 -4 -0,23 -0,46 0,00 -0,56
0,36
-0,43 0,11
0,54 0,09
15,4 -0,16 -0,15 -0,49 0,19 0,84 + 4,7 -0,80 -0,26 0,81 -0,23 0,48
0,66 -0,26 0,81 -0,23 0,48 -0,35
-0,23 -0,46
1.01 3.27 -1.28 -5.55 0.87 3.70 -1.41 -5.29
-1.26 -4.09 1.61 6.94 -1.37 -3.74 1.51 7.15
0.38 1.23 -0.48 -2.10 1.36 -1.82 0.38 -3.92
-1.55 -5.02 1.97 8.53 -1.12 -6.38 2.36 7.72
0.53 1.72 -0.67 -2.92 1.09 -0.04 -0.18 -3.97
Approximation bonne
6 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : exemple
2 4 -1 -5 -0,43 0,11 0,59 0,54 15,4 -0,15 -0,49 0,19 0,84
-2 -4 1 7 0,54 0,09 -0,40 0,41 4,7 -0,26 0,81 -0,23 0,48
1 -2 0 -4 = -0,16 -0,80 -0,25 0,47 0,82 0,27 0,45 0,20
2,1
0 -6 3 8 0,66 -0,35 0,65 -0,06 0,48 -0,19 -0,84 0,17
1 0 0 -4 -0,23 -0,46 0,00 -0,56
0,36
-0,43 0,11 0,59
0,54 0,09 -0,40
15,4 -0,16 -0,15 -0,49 0,19 0,84 + 4,7 -0,80 -0,26 0,81 -0,23 0,48 + 2,1 -0,25 0,82 0,27 0,45 0,20
0,66 -0,26 0,81 -0,23 0,48 -0,35 0,65
-0,23 -0,46 0,00
1.01 3.27 -1.28 -5.55 0.87 3.70 -1.41 -5.29 1.91 4.04 -0.84 -5.03
-1.26 -4.09 1.61 6.94 -1.37 -3.74 1.51 7.15 -2.07 -3.97 1.12 6.97
0.38 1.23 -0.48 -2.10 1.36 -1.82 0.38 -3.92 0.92 -1.97 0.14 -4.03
-1.55 -5.02 1.97 8.53 -1.12 -6.38 2.36 7.72 0.01 -6.00 2.98 8.00
0.53 1.72 -0.67 -2.92 1.09 -0.04 -0.18 -3.97 1.10 -0.04 -0.17 -3.97
Approximation très bonne
6 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : exemple
2 4 -1 -5 -0,43 0,11 0,59 0,54 15,4 -0,15 -0,49 0,19 0,84
-2 -4 1 7 0,54 0,09 -0,40 0,41 4,7 -0,26 0,81 -0,23 0,48
1 -2 0 -4 = -0,16 -0,80 -0,25 0,47 0,82 0,27 0,45 0,20
2,1
0 -6 3 8 0,66 -0,35 0,65 -0,06 0,48 -0,19 -0,84 0,17
1 0 0 -4 -0,23 -0,46 0,00 -0,56
0,36
-0,43 0,11 0,59 0,54
0,54 0,09 -0,40 0,41
15,4 -0,16 -0,15 -0,49 0,19 0,84 + 4,7 -0,80 -0,26 0,81 -0,23 0,48 + 2,1 -0,25 0,82 0,27 0,45 0,20 + 0,4 0,47 0,48 -0,19 -0,84 0,17
0,66 -0,26 0,81 -0,23 0,48 -0,35 0,65 -0,06
-0,23 -0,46 0,00 -0,56
1.01 3.27 -1.28 -5.55 0.87 3.70 -1.41 -5.29 1.91 4.04 -0.84 -5.03 2 4 -1 -5
-1.26 -4.09 1.61 6.94 -1.37 -3.74 1.51 7.15 -2.07 -3.97 1.12 6.97 -2 -4 1 7
0.38 1.23 -0.48 -2.10 1.36 -1.82 0.38 -3.92 0.92 -1.97 0.14 -4.03 1 -2 0 -4
-1.55 -5.02 1.97 8.53 -1.12 -6.38 2.36 7.72 0.01 -6.00 2.98 8.00 0 -6 3 8
0.53 1.72 -0.67 -2.92 1.09 -0.04 -0.18 -3.97 1.10 -0.04 -0.17 -3.97 1 0 0 -4
On retrouve X
6 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : calculs
Soit X(n,p) une matrice, comment faire la SVD de X , i.e. obtenir
les matrices U(n,r ) , Λ(r ,r ) et V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
7 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : calculs
Soit X(n,p) une matrice, comment faire la SVD de X , i.e. obtenir
les matrices U(n,r ) , Λ(r ,r ) et V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
X ′ X = (UΛV ′ )′ (UΛV ′ ) = (V ΛU ′ )(UΛV ′ ) = V ΛId ΛV ′ = V Λ2 V ′
7 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : calculs
Soit X(n,p) une matrice, comment faire la SVD de X , i.e. obtenir
les matrices U(n,r ) , Λ(r ,r ) et V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
X ′ X = (UΛV ′ )′ (UΛV ′ ) = (V ΛU ′ )(UΛV ′ ) = V ΛId ΛV ′ = V Λ2 V ′
⇒ X ′ XV = V Λ2 V ′ V = V Λ2 = Λ2 V
7 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : calculs
Soit X(n,p) une matrice, comment faire la SVD de X , i.e. obtenir
les matrices U(n,r ) , Λ(r ,r ) et V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
X ′ X = (UΛV ′ )′ (UΛV ′ ) = (V ΛU ′ )(UΛV ′ ) = V ΛId ΛV ′ = V Λ2 V ′
⇒ X ′ XV = V Λ2 V ′ V = V Λ2 = Λ2 V
⇒ Λ2 valeurs propres et V vecteurs propres de la matrice de covariance X’X
7 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : calculs
Soit X(n,p) une matrice, comment faire la SVD de X , i.e. obtenir
les matrices U(n,r ) , Λ(r ,r ) et V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
X ′ X = (UΛV ′ )′ (UΛV ′ ) = (V ΛU ′ )(UΛV ′ ) = V ΛId ΛV ′ = V Λ2 V ′
⇒ X ′ XV = V Λ2 V ′ V = V Λ2 = Λ2 V
⇒ Λ2 valeurs propres et V vecteurs propres de la matrice de covariance X’X
XX ′ = (UΛV ′ )(UΛV ′ )′ = (UΛV ′ )(V ΛU ′ ) = UΛId ΛU ′ = UΛ2 U ′
7 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : calculs
Soit X(n,p) une matrice, comment faire la SVD de X , i.e. obtenir
les matrices U(n,r ) , Λ(r ,r ) et V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
X ′ X = (UΛV ′ )′ (UΛV ′ ) = (V ΛU ′ )(UΛV ′ ) = V ΛId ΛV ′ = V Λ2 V ′
⇒ X ′ XV = V Λ2 V ′ V = V Λ2 = Λ2 V
⇒ Λ2 valeurs propres et V vecteurs propres de la matrice de covariance X’X
XX ′ = (UΛV ′ )(UΛV ′ )′ = (UΛV ′ )(V ΛU ′ ) = UΛId ΛU ′ = UΛ2 U ′
⇒ XX ′ U = UΛ2 U ′ U = UΛ2 = Λ2 U
7 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : calculs
Soit X(n,p) une matrice, comment faire la SVD de X , i.e. obtenir
les matrices U(n,r ) , Λ(r ,r ) et V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
X ′ X = (UΛV ′ )′ (UΛV ′ ) = (V ΛU ′ )(UΛV ′ ) = V ΛId ΛV ′ = V Λ2 V ′
⇒ X ′ XV = V Λ2 V ′ V = V Λ2 = Λ2 V
⇒ Λ2 valeurs propres et V vecteurs propres de la matrice de covariance X’X
XX ′ = (UΛV ′ )(UΛV ′ )′ = (UΛV ′ )(V ΛU ′ ) = UΛId ΛU ′ = UΛ2 U ′
⇒ XX ′ U = UΛ2 U ′ U = UΛ2 = Λ2 U
⇒ Λ2 valeurs propres et U vecteurs propres de la matrice des produits scalaires
XX’
7 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Décomposition en valeurs singulières : calculs
Soit X(n,p) une matrice, comment faire la SVD de X , i.e. obtenir
les matrices U(n,r ) , Λ(r ,r ) et V(p,r ) telles que :
X = UΛV ′ avec U ′ U = Idn et V ′ V = Idp
X ′ X = (UΛV ′ )′ (UΛV ′ ) = (V ΛU ′ )(UΛV ′ ) = V ΛId ΛV ′ = V Λ2 V ′
⇒ X ′ XV = V Λ2 V ′ V = V Λ2 = Λ2 V
⇒ Λ2 valeurs propres et V vecteurs propres de la matrice de covariance X’X
XX ′ = (UΛV ′ )(UΛV ′ )′ = (UΛV ′ )(V ΛU ′ ) = UΛId ΛU ′ = UΛ2 U ′
⇒ XX ′ U = UΛ2 U ′ U = UΛ2 = Λ2 U
⇒ Λ2 valeurs propres et U vecteurs propres de la matrice des produits scalaires
XX’
Les valeurs singulières sont les racines carrées des valeurs propres de la matrice
de covariance (= valeurs propres de la matrice des produits scalaires)
7 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Rappels d’analyse factorielle
1 Décomposition en valeurs singulières (SVD)
2 SVD et images
3 Lien SVD et ACP, AFC, ACM
8 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Exercice : SVD et compression d’image
1 Importer l’image (Léna) et la transformer en matrice
library(raster) # raster et rgdal à installer
photo <- raster("[Link]
photo <- [Link](photo)
dim(photo)
2 Faire la SVD sur les données définissant cette image
3 Reconstruire l’image en utilisant la reconstruction de rang 5
(faire de même avec les rangs 20, 50 puis 100)
4 Pour chaque rang, donner le nombre de données qu’il est
nécessaire de stocker (et le pourcentage de données par
rapport au nombre de données de l’image originale)
9 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
SVD pour la reconnaissance faciale : eigenfaces
400 images de visages sur photo 64 × 64 pixels
Les images sont disponibles ici :
[Link]
Transformation de chaque image en un vecteur de taille
64 × 64 = 4096
Création d’une matrice 4096 × 400 puis on fait la SVD
10 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Reconnaissance faciale : eigenfaces
Voici les 8 premiers vec-
teurs propres mis sous
forme d’image (les va-
leurs ne sont pas com-
prises entre 0 et 1)
11 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Reconnaissance faciale : eigenfaces
Voici les 8 premiers vec-
teurs propres mis sous
forme d’image (les va-
leurs ne sont pas com-
prises entre 0 et 1)
On peut reconstruire
une image :
11 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
SVD pour le débruitage d’images
On peut débruiter cette image
12 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
SVD pour le débruitage d’images
On peut débruiter cette image
Reconstitution par SVD en ne conser-
vant que les premières dimensions (ce
qui revient à éliminer le bruit sur les der-
nières dimensions)
12 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Rappels d’analyse factorielle
1 Décomposition en valeurs singulières (SVD)
2 SVD et images
3 Lien SVD et ACP, AFC, ACM
13 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Lien SVD et ACP, AFC, ACM
• ACP est une SVD sur données centrées ou centrées-réduites si
l’ACP est normée
Plus précisément, avec M = diag( σ12 , σ12 , ... σ12 ) et N la
1 2 p
matrice diagonale des poids des lignes (1/n), la SVD de
N 1/2 XM 1/2 donnent les résultats de l’ACP normée (i.e. les
valeurs propres et vecteurs propres de XMX ′ N et X ′ NXM)
• AFC est une SVD de la matrice S = Dr−1/2 (P − rc ′ )Dc−1/2
avec P = X /n, Dr et Dc les matrices diagonales des marges
lignes et colonnes de P
−1/2
Les coordonnées des lignes sont : F = Dr UΛ
−1/2
Les coordonnées des colonnes sont : G = Dc VΛ
• ACM est une AFC sur le tableau disjonctif de X , et donc une
SVD.
14 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Fiche récapitulative de l’ACP
• Quels tableaux de données ? Quels objectifs ?
• Comment interpréter ?
• Comment considérer des individus supplémentaires, variables
qualitatives, variables quantitatives supplémentaires ?
• Quelle différence entre ACP normée et non normée ?
• Dans un tableau avec 1 variable qualitative, les axes de l’ACP
obtenus sur le tableau individus × variables quantitatives
sont-ils identiques à ceux obtenus à partir des moyennes par
modalité, moyennes pondérées par l’effectif de la modalité ?
Donner un contre-exemple, expliciter les différences d’objectif
OU démontrer l’égalité.
15 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Fiche récapitulative sur l’AFC
• Quels types de tableaux de données ? Quels jeux de données ?
Quels objectifs ?
• Comment interpréter ?
• Considérer le jeu de données Nobel avec le code suivant :
fichier <- "[Link]
Nobel <- [Link](fichier, header=TRUE, sep=";", [Link]=1, [Link]=FALSE)
Nobel <- Nobel[1:8,]
Comparer les objectifs et les résultats de l’ACP et ceux de
l’AFC sur ce jeu de données. Bien expliciter la différence.
16 / 17
Décomposition en valeurs singulières (SVD) SVD et images Lien SVD et ACP, AFC, ACM
Fiche récapitulative sur l’ACM
• Quels tableaux de données ? Quels objectifs ? Comment
interpréter ?
• Prendre le jeu tea du package FactoMineR et faire l’ACM sur
le tableau avec uniquement les variables 14 et 18. Puis faire
l’AFC sur le tableau de contingence croisant ces 2 variables.
library(FactoMineR)
data(tea)
don <- tea[, c(14,18)] ; MCA(don)
TabCont <- table(don) ; CA(TabCont)
Comparer objectifs et résultats de l’ACM et l’AFC sur ce jeu de
données. Expliciter les différences (dimensionalité et inertie
notamment)
17 / 17