Scribd
Importer
11 vues4 pages

Guide ACP et Régression Linéaire

Ce guide fournit une méthode détaillée pour réaliser une Analyse en Composantes Principales (ACP) suivie d'une régression linéaire en utilisant Python et R avec des données agricoles. Les étapes incluent l'importation des données, l'analyse exploratoire, la standardisation, la réalisation de l'ACP, la sélection des composantes, et l'évaluation du modèle. L'interprétation des résultats met l'accent sur la variance expliquée, les contributions des variables, et la qualité du modèle à l'aide de R² et RMSE.

Transféré par

yasirbot689
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
11 vues4 pages

Guide ACP et Régression Linéaire

Ce guide fournit une méthode détaillée pour réaliser une Analyse en Composantes Principales (ACP) suivie d'une régression linéaire en utilisant Python et R avec des données agricoles. Les étapes incluent l'importation des données, l'analyse exploratoire, la standardisation, la réalisation de l'ACP, la sélection des composantes, et l'évaluation du modèle. L'interprétation des résultats met l'accent sur la variance expliquée, les contributions des variables, et la qualité du modèle à l'aide de R² et RMSE.

Transféré par

yasirbot689
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Guide complet : Analyse en Composantes Principales (ACP) suivie d'une Régression Linéaire

Ce guide explique étape par étape comment effectuer une ACP suivie d'une régression en Python

et R,

à l'aide des données agricoles fournies. Il inclut l'interprétation et les codes nécessaires.

I. Étapes générales de l'analyse

---------------------------------

1. Importation des données.

2. Analyse exploratoire (statistiques descriptives, corrélations).

3. Standardisation des variables explicatives.

4. Réalisation de l'ACP.

5. Sélection du nombre de composantes principales à retenir (critère de Kaiser, variance expliquée).

6. Régression linéaire sur les composantes principales.

7. Évaluation du modèle (R², RMSE).

8. Interprétation des résultats.

II. En Python (avec pandas, scikit-learn, matplotlib)

------------------------------------------------------

```python

import pandas as pd

from [Link] import StandardScaler

from [Link] import PCA

from sklearn.linear_model import LinearRegression

from [Link] import r2_score, mean_squared_error

import [Link] as plt


# 1. Importation des données

df = pd.read_excel("donnees_agriculture.xlsx")

# 2. Séparation des variables explicatives et de la cible

X = [Link](columns='Rendement')

y = df['Rendement']

# 3. Standardisation

scaler = StandardScaler()

X_scaled = scaler.fit_transform(X)

# 4. ACP

pca = PCA()

X_pca = pca.fit_transform(X_scaled)

# 5. Visualisation de la variance expliquée

[Link](range(1, len(pca.explained_variance_ratio_)+1),

pca.explained_variance_ratio_.cumsum(), marker='o')

[Link]('Nombre de composantes')

[Link]('Variance expliquée cumulée')

[Link]("Choix du nombre de composantes")

[Link](True)

[Link]()

# 6. Régression sur les 2 premières composantes par exemple

X_pca_selected = X_pca[:, :2]

model = LinearRegression()
[Link](X_pca_selected, y)

# 7. Évaluation

y_pred = [Link](X_pca_selected)

print("R²:", r2_score(y, y_pred))

print("RMSE:", mean_squared_error(y, y_pred, squared=False))

```

III. En R (avec FactoMineR, factoextra, caret)

---------------------------------------------

```r

# 1. Importation des données

library(readxl)

data <- read_excel("donnees_agriculture.xlsx")

# 2. Séparation des variables

X <- data[, -which(names(data) == "Rendement")]

y <- data$Rendement

# 3. Standardisation et ACP

library(FactoMineR)

[Link] <- PCA(X, [Link] = TRUE, ncp = ncol(X), graph = TRUE)

# 4. Visualisation de la variance expliquée

library(factoextra)

fviz_eig([Link], addlabels = TRUE)


# 5. Extraction des composantes principales

coord_pca <- [Link]$ind$coord

X_pca <- coord_pca[, 1:2] # Garder 2 composantes

# 6. Régression

model <- lm(y ~ X_pca[,1] + X_pca[,2])

summary(model)

```

IV. Interprétation

------------------

- ACP : Vérifiez que les premières composantes expliquent suffisamment de variance (souvent

>70%).

- Contributions des variables : regardez les corrélations entre les variables originales et les

composantes.

- Régression : évaluez la qualité du modèle avec R² et RMSE.

- Un bon modèle a un R² proche de 1 et un RMSE faible.

Cette approche permet de réduire la multicolinéarité et d'interpréter plus clairement l'influence

globale des variables.

Vous aimerez peut-être aussi