Package fanalysis

Analyse des Correspondances Multiples

Ce tutoriel a pour objectif de présenter rapidement les principales fonctionnalités offertes par le package fanalysis pour
réaliser une Analyse des Correspondances Multiples.
Il suppose connu les soubassements théoriques de cette méthode.
Il ne s'attarde pas non plus sur l'interprétation du jeu de données, qui n'a pour but que de présenter les fonctionnalités du
package.
2 approches sont présentées :

Une approche "datamining" : l'ACM vise à décrire un jeu de données

Une approche "machine learning" : l'ACM est utilisée comme méthode de réduction des données, le résultat servant
d'entrée pour un modèle prédictif (nous ferons ici l'usage d'outils de scikit-learn).

I. Approche Datamining
L'ACM a ici pour but de décrire un fichier de données.
Celui-ci est extrait du site de Ricco Rakotomalala (Université Lyon 2) :
[Link]

Nous partons d'un fichier texte intitulé "mca_data.txt".

On importe la librairie pandas pour charger les données, ainsi que la classe MCA du package fanalysis.
Les données sont transformées en matrice de type [Link].

Dans la matrice de données X, les catégories peuvent être codées :

soit par des entiers

soit par des chaines de caractères

Dans cet exemple, les catégories sont codées par des chaines de caractère.

In [1]: import pandas as pd

from [Link] import MCA
%matplotlib inline

In [2]: df = pd.read_table("mca_data.txt", header=0, index_col=0, delimiter="\t", encoding=

"utf-8")

Olivier Garcia Package fanalysis - AFCM 1 sur 32

 In [3]: print(df)

Taille Poids Velocite Intelligence Affection Agressivite \

Chien
Beauceron Taille++ Poids+ Veloc++ Intell+ Affec+ Agress+
Basset Taille- Poids- Veloc- Intell- Affec- Agress+
Berger-All Taille++ Poids+ Veloc++ Intell++ Affec+ Agress+
Boxer Taille+ Poids+ Veloc+ Intell+ Affec+ Agress+
Bull-Dog Taille- Poids- Veloc- Intell+ Affec+ Agress-
Bull-Mastif Taille++ Poids++ Veloc- Intell++ Affec- Agress+
Caniche Taille- Poids- Veloc+ Intell++ Affec+ Agress-
Chihuahua Taille- Poids- Veloc- Intell- Affec+ Agress-
Cocker Taille+ Poids- Veloc- Intell+ Affec+ Agress+
Colley Taille++ Poids+ Veloc++ Intell+ Affec+ Agress-
Dalmatien Taille+ Poids+ Veloc+ Intell+ Affec+ Agress-
Doberman Taille++ Poids+ Veloc++ Intell++ Affec- Agress+
Dogue-All Taille++ Poids++ Veloc++ Intell- Affec- Agress+
Epag.-Breton Taille+ Poids+ Veloc+ Intell++ Affec+ Agress-
Epag.-Français Taille++ Poids+ Veloc+ Intell+ Affec- Agress-
Fox-Hound Taille++ Poids+ Veloc++ Intell- Affec- Agress+
Fox-Terrier Taille- Poids- Veloc+ Intell+ Affec+ Agress+
Gd-Bleu-Gasc Taille++ Poids+ Veloc+ Intell- Affec- Agress+
Labrador Taille+ Poids+ Veloc+ Intell+ Affec+ Agress-
Levrier Taille++ Poids+ Veloc++ Intell- Affec- Agress-
Mastiff Taille++ Poids++ Veloc- Intell- Affec- Agress+
Pekinois Taille- Poids- Veloc- Intell- Affec+ Agress-
Pointer Taille++ Poids+ Veloc++ Intell++ Affec- Agress-
St-Bernard Taille++ Poids++ Veloc- Intell+ Affec- Agress+
Setter Taille++ Poids+ Veloc++ Intell+ Affec- Agress-
Teckel Taille- Poids- Veloc- Intell+ Affec+ Agress-
Terre-Neuve Taille++ Poids++ Veloc- Intell+ Affec- Agress-

Fonction
Chien
Beauceron utilite
Basset chasse
Berger-All utilite
Boxer compagnie
Bull-Dog compagnie
Bull-Mastif utilite
Caniche compagnie
Chihuahua compagnie
Cocker compagnie
Colley compagnie
Dalmatien compagnie
Doberman utilite
Dogue-All utilite
Epag.-Breton chasse
Epag.-Français chasse
Fox-Hound chasse
Fox-Terrier compagnie
Gd-Bleu-Gasc chasse
Labrador chasse
Levrier chasse
Mastiff utilite
Pekinois compagnie
Pointer chasse
St-Bernard utilite
Setter chasse
Teckel compagnie
Terre-Neuve utilite

Olivier Garcia Package fanalysis - AFCM 2 sur 32

 L'analyse va porter sur les 6 premières variables.

In [4]: X = [Link][:, 0:6].as_matrix()

On crée une instance de la classe MCA, en lui passant ici des étiquettes pour les lignes et les variables. Ces paramètres sont
facultatifs ; en leur absence, le programme détermine automatiquement des étiquettes.

In [5]: my_mca = MCA(row_labels=[Link], var_labels=[Link][0:6])

On estime le modèle en appliquant la méthode fit de la classe MCA sur le jeu de données.

In [6]: my_mca.fit(X)

Out[6]: MCA(n_components=None,
row_labels=array(['Beauceron', 'Basset', 'Berger-All', 'Boxer', 'Bull-Dog',
'Bull-Mastif', 'Caniche', 'Chihuahua', 'Cocker', 'Colley',
'Dalmatien', 'Doberman', 'Dogue-All', 'Epag.-Breton',
'Epag.-Français', 'Fox-Hound', 'Fox-Terrier', 'Gd-Bleu-Gasc',
'Labrador', 'Levrier', 'Mastiff', 'Pekinois', 'Pointer',
'St-Bernard', 'Setter', 'Teckel', 'Terre-Neuve'], dtype=object),
stats=True,
var_labels=array(['Taille', 'Poids', 'Velocite', 'Intelligence', 'Affection',
'Agressivite'], dtype=object))

L'exécution de la méthode my_mca.fit(X) provoque a minima le calcul des attributs :

my\_pca.eig\_ : valeurs propres

my\_pca.row\_coord\_ : coordonnées des points lignes
my\_pca.col\_coord\_ : coordonnées des points colonnes

I.1. Analyse des valeurs propres

L'attribut my\_mca.eig\_ contient :

en 1ère ligne : les valeurs propres en valeur absolue

en 2ème ligne : les valeurs propres en pourcentage de la variance totale
en 3ème ligne : les valeurs propres en pourcentage cumulé de la variance totale

In [7]: print(my_mca.eig_)

[[ 4.81606165e-01 3.84737288e-01 2.10954049e-01 1.57554025e-01

1.50132670e-01 1.23295308e-01 8.14624601e-02 4.56697566e-02
2.35419107e-02 7.71303416e-03]
[ 2.88963699e+01 2.30842373e+01 1.26572430e+01 9.45324152e+00
9.00796020e+00 7.39771849e+00 4.88774761e+00 2.74018539e+00
1.41251464e+00 4.62782050e-01]
[ 2.88963699e+01 5.19806071e+01 6.46378501e+01 7.40910916e+01
8.30990518e+01 9.04967703e+01 9.53845179e+01 9.81247033e+01
9.95372180e+01 1.00000000e+02]]

Olivier Garcia Package fanalysis - AFCM 3 sur 32

 Les valeurs propres peuvent être représentées graphiquement (par défaut : représentation en valeur absolue).

In [8]: my_mca.plot_eigenvalues()

In [9]: my_mca.plot_eigenvalues(type="percentage")

In [10]: my_mca.plot_eigenvalues(type="cumulative")

Olivier Garcia Package fanalysis - AFCM 4 sur 32

 Quand l'objet my\_mca a été instancié, son paramètre stats a reçu la valeur True par défaut.
En conséquence, lors de l'exécution de la méthode my\_mca.fit(X), les statistiques suivantes ont été calculées :

my\_mca.row\_contrib\_ : contributions des points lignes à la variance de l'axe

my\_mca.col\_contrib\_ : contributions des points colonnes à la variance de l'axe
my\_mca.row\_cos2\_ : cosinus carrés des points lignes
my\_mca.col\_cos2\_ : cosinus carrés des points colonnes

Si l'on avait souhaité éviter le calcul de ces statistiques pour gagner du temps et économiser des ressources mémoire, il
aurait fallu instancier :
my\_mca = MCA(stats=False)

Par défaut, les coordonnées des points lignes et colonnes, leurs contributions et cosinus carrés sont calculés sur l'ensemble
des axes extraits de l'analyse.
On aurait toutefois pu spécifier le nombre d'axes à retenir via le paramètre n_components avec par exemple :
my\_mca = MCA(n_components=3)

I.2. Extraction des statistiques sur les points lignes

Export de la totalité des données lignes vers une DataFrame pandas

On peut simplement envoyer vers une Dataframe : les coordonnées, les contributions et les cos2 de chacun des points
lignes, pour tous les axes factoriels (identifiés par les suffixes dim1, dim2, etc.).

In [11]: df_rows = my_mca.row_topandas()

Olivier Garcia Package fanalysis - AFCM 5 sur 32

 In [12]: print(df_rows)

Olivier Garcia Package fanalysis - AFCM 6 sur 32

 row_coord_dim1 row_coord_dim2 row_coord_dim3 \
Beauceron -0.317200 -0.417701 -0.101468
Basset 0.254110 1.101227 -0.190701
Berger-All -0.486396 -0.464450 -0.498134
Boxer 0.447365 -0.881778 0.692016
Bull-Dog 1.013352 0.549879 -0.163423
Bull-Mastif -0.752574 0.546912 0.497573
Caniche 0.912301 -0.016188 -0.576570
Chihuahua 0.840799 0.843852 -0.469947
Cocker 0.733295 0.079073 0.662230
Colley -0.117325 -0.526108 -0.334894
Dalmatien 0.647240 -0.990184 0.458590
Doberman -0.873210 -0.315481 -0.452314
Dogue-All -1.047017 0.506958 0.165035
Epag.-Breton 0.478044 -1.036933 0.061924
Epag.-Français -0.144910 -0.515783 0.117127
Fox-Hound -0.876568 0.025240 -0.362171
Fox-Terrier 0.881622 0.138967 0.053522
Gd-Bleu-Gasc -0.517338 -0.113404 0.044029
Labrador 0.647240 -0.990184 0.458590
Levrier -0.676693 -0.083167 -0.595598
Mastiff -0.755932 0.887633 0.587715
Pekinois 0.840799 0.843852 -0.469947
Pointer -0.673335 -0.423887 -0.685740
St-Bernard -0.583379 0.593660 0.894239
Setter -0.504140 -0.377139 -0.289074
Teckel 1.013352 0.549879 -0.163423
Terre-Neuve -0.383504 0.485254 0.660813

row_coord_dim4 row_coord_dim5 row_coord_dim6 \

Beauceron -0.211436 -0.118510 -0.844917
Basset 0.292637 -0.524009 0.039895
Berger-All 0.577425 0.275902 -0.567765
Boxer 0.260002 -0.455590 -0.213746
Bull-Dog -0.349919 0.330786 -0.201414
Bull-Mastif 0.655153 0.721946 0.117926
Caniche 0.628133 0.434017 0.386066
Chihuahua -0.086343 -0.177346 0.197088
Cocker 0.189743 -0.104627 -0.626726
Colley -0.657755 0.192130 -0.374168
Dalmatien -0.186316 -0.144950 0.257003
Doberman 0.510087 0.239880 -0.254209
Dogue-All 0.062888 -0.316522 -0.001702
Epag.-Breton 0.602545 0.249461 0.534156
Epag.-Français -0.468922 0.000850 0.490693
Fox-Hound -0.015198 -0.662665 -0.132859
Fox-Terrier 0.285590 -0.271035 -0.361835
Gd-Bleu-Gasc 0.240972 -0.817923 0.418446
Labrador -0.186316 -0.144950 0.257003
Levrier -0.461516 -0.352025 0.337890
Mastiff 0.129868 -0.180598 0.239276
Pekinois -0.086343 -0.177346 0.197088
Pointer 0.063769 0.550519 0.216540
St-Bernard -0.133709 0.327535 -0.159227
Setter -0.725093 0.156108 -0.060612
Teckel -0.349919 0.330786 -0.201414
Terre-Neuve -0.580027 0.638174 0.311523

row_coord_dim7 row_coord_dim8 row_coord_dim9 \

Beauceron 0.089050 0.201986 -0.167019
Basset 0.052833 -0.447363 0.100738
Berger-All -0.129097 0.187330 -0.234185
Boxer -0.003008 -0.019819 -0.002446
Bull-Dog 0.063544 -0.079036 -0.035602

Olivier Garcia Package fanalysis - AFCM 7 sur 32

 Statistiques pour les points lignes

Olivier Garcia Package fanalysis - AFCM 8 sur 32

 In [13]: # Coordonnées des points lignes
print(my_mca.row_coord_)

Olivier Garcia Package fanalysis - AFCM 9 sur 32

 [[ -3.17200051e-01 -4.17701298e-01 -1.01467714e-01 -2.11436281e-01
-1.18509544e-01 -8.44917274e-01 8.90501548e-02 2.01986411e-01
-1.67018837e-01 -2.28067149e-02]
[ 2.54109843e-01 1.10122699e+00 -1.90700968e-01 2.92637269e-01
-5.24008519e-01 3.98946811e-02 5.28331582e-02 -4.47362922e-01
1.00738366e-01 -1.47102197e-01]
[ -4.86395534e-01 -4.64449578e-01 -4.98133882e-01 5.77425252e-01
2.75902052e-01 -5.67764838e-01 -1.29096839e-01 1.87330321e-01
-2.34185002e-01 8.91993408e-03]
[ 4.47364924e-01 -8.81777941e-01 6.92015804e-01 2.60001835e-01
-4.55589836e-01 -2.13745841e-01 -3.00768021e-03 -1.98192681e-02
-2.44628915e-03 -1.40900948e-01]
[ 1.01335218e+00 5.49879489e-01 -1.63423202e-01 -3.49919273e-01
3.30786485e-01 -2.01414177e-01 6.35440823e-02 -7.90356807e-02
-3.56024365e-02 -6.65432469e-02]
[ -7.52574495e-01 5.46911834e-01 4.97573073e-01 6.55152661e-01
7.21946355e-01 1.17925813e-01 -1.85943335e-02 -3.73250962e-02
-1.12102625e-01 -2.45732947e-02]
[ 9.12301484e-01 -1.61876744e-02 -5.76569722e-01 6.28133396e-01
4.34016531e-01 3.86066396e-01 4.01809663e-01 2.49346973e-01
1.65086085e-01 1.13481695e-01]
[ 8.40799374e-01 8.43852157e-01 -4.69947142e-01 -8.63428687e-02
-1.77346455e-01 1.97088251e-01 -3.27291133e-01 1.31410453e-01
-1.36707423e-01 2.48406642e-03]
[ 7.33295293e-01 7.90731735e-02 6.62230424e-01 1.89743186e-01
-1.04627236e-01 -6.26726024e-01 -4.74951235e-01 -4.06017775e-01
1.43663776e-01 3.04810338e-01]
[ -1.17325200e-01 -5.26107651e-01 -3.34893734e-01 -6.57754538e-01
1.92130196e-01 -3.74168009e-01 -8.41976661e-02 2.76173951e-01
-1.10667059e-01 5.06561417e-02]
[ 6.47239775e-01 -9.90184294e-01 4.58589784e-01 -1.86316421e-01
-1.44950097e-01 2.57003424e-01 -1.76255501e-01 5.43682719e-02
5.39054897e-02 -6.74380911e-02]
[ -8.73210214e-01 -3.15481101e-01 -4.52313727e-01 5.10087132e-01
2.39879728e-01 -2.54209144e-01 7.77796319e-02 -3.17255514e-01
5.96125655e-02 -6.72034723e-02]
[ -1.04701683e+00 5.06957678e-01 1.65034759e-01 6.28882045e-02
-3.16521571e-01 -1.70166797e-03 -1.12827456e-01 5.06165196e-01
4.48174302e-01 1.95886373e-02]
[ 4.78044292e-01 -1.03693257e+00 6.19236160e-02 6.02545112e-01
2.49461500e-01 5.34155860e-01 -3.94402495e-01 3.97121822e-02
-1.32606750e-02 -3.57114421e-02]
[ -1.44910083e-01 -5.15782953e-01 1.17126612e-01 -4.68922193e-01
8.49711247e-04 4.90693297e-01 6.00636280e-01 -2.03761210e-01
-1.43230553e-01 1.15969760e-01]
[ -8.76567539e-01 2.52398470e-02 -3.62171499e-01 -1.51979963e-02
-6.62664808e-01 -1.32859151e-01 -9.49085902e-02 -9.21532905e-02
2.56737440e-02 -2.99028079e-02]
[ 8.81622116e-01 1.38966958e-01 5.35224668e-02 2.85590120e-01
-2.71034805e-01 -3.61835304e-01 7.93204478e-01 1.89815523e-01
1.75900471e-01 8.29218930e-03]
[ -5.17337740e-01 -1.13403932e-01 4.40286924e-02 2.40972468e-01
-8.17922968e-01 4.18446461e-01 3.83048885e-01 -6.75026163e-02
-3.00687318e-01 1.11534217e-01]
[ 6.47239775e-01 -9.90184294e-01 4.58589784e-01 -1.86316421e-01
-1.44950097e-01 2.57003424e-01 -1.76255501e-01 5.43682719e-02
5.39054897e-02 -6.74380911e-02]
[ -6.76692688e-01 -8.31665059e-02 -5.95597519e-01 -4.61516253e-01
-3.52025068e-01 3.37890114e-01 -2.68156411e-01 -1.79657504e-02
8.20255228e-02 4.35600486e-02]
[ -7.55931819e-01 8.87632782e-01 5.87715302e-01 1.29867533e-01
-1.80598180e-01 2.39275806e-01 -1.91282556e-01 1.87777127e-01
-1.46041447e-01 1.27273696e-02]
[ 8.40799374e-01 8.43852157e-01 -4.69947142e-01 -8.63428687e-02

Olivier Garcia Package fanalysis - AFCM 10 sur 32

 In [14]: # Contributions des points lignes
print(my_mca.row_contrib_)

Olivier Garcia Package fanalysis - AFCM 11 sur 32

 [[ 7.73767876e-01 1.67959126e+00 1.80760743e-01 1.05091056e+00
3.46471633e-01 2.14446056e+01 3.60535532e-01 3.30865774e+00
4.38859435e+00 2.49767800e-01]
[ 4.96577656e-01 1.16741602e+01 6.38490092e-01 2.01310302e+00
6.77388350e+00 4.78101032e-02 1.26908835e-01 1.62303361e+01
1.59655665e+00 1.03908074e+01]
[ 1.81937974e+00 2.07658208e+00 4.35652825e+00 7.83787399e+00
1.87789320e+00 9.68337324e+00 7.57722059e-01 2.84592660e+00
8.62805061e+00 3.82062375e-02]
[ 1.53910433e+00 7.48497608e+00 8.40776174e+00 1.58913049e+00
5.12046123e+00 1.37241366e+00 4.11284205e-04 3.18553782e-02
9.41477848e-04 9.53320231e+00]
[ 7.89705226e+00 2.91076402e+00 4.68895218e-01 2.87834243e+00
2.69933348e+00 1.21862409e+00 1.83581510e-01 5.06586878e-01
1.99413231e-01 2.12627267e+00]
[ 4.35555187e+00 2.87943048e+00 4.34672445e+00 1.00900136e+01
1.28579249e+01 4.17741330e-01 1.57195441e-02 1.12982040e-01
1.97708842e+00 2.89959779e-01]
[ 6.40060403e+00 2.52255635e-03 5.83649387e+00 9.27492702e+00
4.64700961e+00 4.47727416e+00 7.34039564e+00 5.04214975e+00
4.28761188e+00 6.18390213e+00]
[ 5.43661975e+00 6.85495624e+00 3.87745169e+00 1.75250667e-01
7.75900532e-01 1.16683960e+00 4.87020447e+00 1.40044921e+00
2.94021250e+00 2.96303915e-03]
[ 4.13525212e+00 6.01908248e-02 7.69957277e+00 8.46328783e-01
2.70053951e-01 1.17989984e+01 1.02559704e+01 1.33689603e+01
3.24705079e+00 4.46139180e+01]
[ 1.05858761e-01 2.66453355e+00 1.96907570e+00 1.01703158e+01
9.10651649e-01 4.20555184e+00 3.22313741e-01 6.18547372e+00
1.92677615e+00 1.23218295e+00]
[ 3.22162209e+00 9.43852268e+00 3.69230120e+00 8.16035401e-01
5.18320094e-01 1.98411803e+00 1.41242071e+00 2.39716870e-01
4.57151890e-01 2.18384353e+00]
[ 5.86383597e+00 9.58117236e-01 3.59193035e+00 6.11639421e+00
1.41954159e+00 1.94120777e+00 2.75049260e-01 8.16255080e+00
5.59075103e-01 2.16867467e+00]
[ 8.43046492e+00 2.47408927e+00 4.78188600e-01 9.29704908e-02
2.47154005e+00 8.69839921e-05 5.78773059e-01 2.07774430e+01
3.16000979e+01 1.84255063e-01]
[ 1.75743986e+00 1.03507779e+01 6.73226167e-02 8.53465298e+00
1.53521105e+00 8.57088522e+00 7.07225679e+00 1.27895435e-01
2.76646889e-02 6.12386712e-01]
[ 1.61488428e-01 2.56097846e+00 2.40857143e-01 5.16902112e+00
1.78116339e-05 7.23285797e+00 1.64021899e+01 3.36705771e+00
3.22749712e+00 6.45803658e+00]
[ 5.90901328e+00 6.13261066e-03 2.30290971e+00 5.42974456e-03
1.08330025e+01 5.30240175e-01 4.09533807e-01 6.88698652e-01
1.03698611e-01 4.29373190e-01]
[ 5.97735639e+00 1.85906708e-01 5.02945136e-02 1.91731332e+00
1.81222100e+00 3.93288786e+00 2.86054661e+01 2.92193795e+00
4.86775300e+00 3.30178961e-02]
[ 2.05822345e+00 1.23802149e-01 3.40345447e-02 1.36502808e+00
1.65038716e+01 5.25980306e+00 6.67094131e+00 3.69529191e-01
1.42240985e+01 5.97347744e+00]
[ 3.22162209e+00 9.43852268e+00 3.69230120e+00 8.16035401e-01
5.18320094e-01 1.98411803e+00 1.41242071e+00 2.39716870e-01
4.57151890e-01 2.18384353e+00]
[ 3.52149573e+00 6.65838446e-02 6.22807925e+00 5.00703621e+00
3.05708990e+00 3.42957778e+00 3.26930233e+00 2.61756975e-02
1.05850409e+00 9.11145413e-01]
[ 4.39449982e+00 7.58470376e+00 6.06432357e+00 3.96467792e-01
8.04614339e-01 1.71983690e+00 1.66352543e+00 2.85951856e+00
3.35541916e+00 7.77836458e-02]
[ 5.43661975e+00 6.85495624e+00 3.87745169e+00 1.75250667e-01

Olivier Garcia Package fanalysis - AFCM 12 sur 32

 In [15]: # Cos2 des points lignes
print(my_mca.row_cos2_)

Olivier Garcia Package fanalysis - AFCM 13 sur 32

 [[ 8.86354732e-02 1.53699594e-01 9.06978140e-03 3.93822110e-02
1.23722226e-02 6.28882412e-01 6.98570800e-03 3.59406044e-02
2.45737810e-02 4.58212084e-04]
[ 3.38043142e-02 6.34867136e-01 1.90385973e-02 4.48320320e-02
1.43749337e-01 8.33218971e-04 1.46130981e-03 1.04772939e-01
5.31274484e-03 1.13283712e-02]
[ 1.53722499e-01 1.40163659e-01 1.61231704e-01 2.16645575e-01
4.94615977e-02 2.09457186e-01 1.08290285e-02 2.28020784e-02
3.56349731e-02 5.16989317e-05]
[ 1.11330751e-01 4.32523528e-01 2.66393303e-01 3.76048711e-02
1.15462068e-01 2.54147956e-02 5.03216176e-06 2.18507578e-04
3.32894680e-06 1.10438146e-02]
[ 6.24484641e-01 1.83880633e-01 1.62415840e-02 7.44623393e-02
6.65420938e-02 2.46706743e-02 2.45556352e-03 3.79880801e-03
7.70833162e-04 2.69282992e-03]
[ 2.70690765e-01 1.42958206e-01 1.18328181e-01 2.05144306e-01
2.49106067e-01 6.64648773e-03 1.65247798e-04 6.65849872e-04
6.00628608e-03 2.88603256e-04]
[ 3.85193916e-01 1.21275082e-04 1.53853124e-01 1.82602376e-01
8.71796657e-02 6.89805511e-02 7.47211265e-02 2.87747035e-02
1.26131510e-02 5.96011012e-03]
[ 3.79931295e-01 3.82695220e-01 1.18691149e-01 4.00657480e-03
1.69030599e-02 2.08757353e-02 5.75690136e-02 9.28068713e-03
1.00439490e-02 3.31624583e-06]
[ 2.79156818e-01 3.24600200e-03 2.27671518e-01 1.86905820e-02
5.68303006e-03 2.03913464e-01 1.17108519e-01 8.55816269e-02
1.07148229e-02 4.82336169e-02]
[ 1.23961745e-02 2.49260987e-01 1.00999475e-01 3.89612409e-01
3.32427027e-02 1.26077730e-01 6.38418085e-03 6.86863599e-02
1.10291440e-02 2.31083688e-03]
[ 2.36285170e-01 5.53016560e-01 1.18619154e-01 1.95798039e-02
1.18506750e-02 3.72549417e-02 1.75223129e-02 1.66723619e-03
1.63897399e-03 2.56517269e-03]
[ 4.87611688e-01 6.36477694e-02 1.30832617e-01 1.66389236e-01
3.67979467e-02 4.13255677e-02 3.86872855e-03 6.43657523e-02
2.27254304e-03 2.88815115e-03]
[ 5.60793909e-01 1.31473847e-01 1.39330697e-02 2.02317920e-03
5.12510285e-02 1.48130883e-06 6.51216736e-03 1.31063126e-01
1.02751900e-01 1.96292818e-04]
[ 1.04983391e-01 4.93952692e-01 1.76155797e-03 1.66787484e-01
2.85885007e-02 1.31075135e-01 7.14601014e-02 7.24489049e-04
8.07821830e-05 5.85867084e-04]
[ 1.75332292e-02 2.22125629e-01 1.14544928e-02 1.83597294e-01
6.02847459e-07 2.01041147e-01 3.01222788e-01 3.46663185e-02
1.71291589e-02 1.12293397e-02]
[ 5.58313038e-01 4.62892815e-04 9.53093579e-02 1.67833893e-04
3.19076498e-01 1.28259619e-02 6.54512653e-03 6.17061850e-03
4.78944747e-04 6.49727046e-04]
[ 4.36271010e-01 1.08396312e-02 1.60791707e-03 4.57802078e-02
4.12326772e-02 7.34874674e-02 3.53152039e-01 2.02234317e-02
1.73670242e-02 3.85948911e-05]
[ 1.86023209e-01 8.93871388e-03 1.34738090e-03 4.03602327e-02
4.64990004e-01 1.21702250e-01 1.01982866e-01 3.16708720e-03
6.28418601e-02 8.64639470e-03]
[ 2.36285170e-01 5.53016560e-01 1.18619154e-01 1.95798039e-02
1.18506750e-02 3.72549417e-02 1.75223129e-02 1.66723619e-03
1.63897399e-03 2.56517269e-03]
[ 3.38815590e-01 5.11772953e-03 2.62473933e-01 1.57599349e-01
9.16911884e-02 8.44756203e-02 5.32055317e-02 2.38820247e-04
4.97826984e-03 1.40396775e-03]
[ 2.99995069e-01 4.13633334e-01 1.81335511e-01 8.85421459e-03
1.71228323e-02 3.00570559e-02 1.92087717e-02 1.85111860e-02
1.11969855e-02 8.50405730e-05]
[ 3.79931295e-01 3.82695220e-01 1.18691149e-01 4.00657480e-03

Olivier Garcia Package fanalysis - AFCM 14 sur 32

 I.3. Extraction des statistiques sur les points colonnes

Export de la totalité des données colonnes vers une DataFrame pandas

On peut envoyer vers une Dataframe : les coordonnées, les contributions et les cos2 de chacun des points colonnes, pour
tous les axes factoriels (identifiés par les suffixes dim1, dim2, etc.).

In [16]: df_cols = my_mca.col_topandas()

Olivier Garcia Package fanalysis - AFCM 15 sur 32

 In [17]: print(df_cols)

Olivier Garcia Package fanalysis - AFCM 16 sur 32

 col_coord_dim1 col_coord_dim2 col_coord_dim3 \
Taille_Taille+ 0.851088 -1.231720 1.016052
Taille_Taille++ -0.836675 -0.020578 -0.051217
Taille_Taille- 1.184956 0.923897 -0.616000
Poids_Poids+ -0.305405 -0.818876 -0.231272
Poids_Poids++ -1.015134 0.973901 1.221595
Poids_Poids- 1.168918 0.824345 -0.358770
Velocite_Veloc+ 0.603687 -0.887814 0.356312
Velocite_Veloc++ -0.892100 -0.371832 -0.763088
Velocite_Veloc- 0.319941 1.044900 0.401729
Intelligence_Intell+ 0.369443 -0.285503 0.493203
Intelligence_Intell++ -0.335066 -0.459483 -0.599924
Intelligence_Intell- -0.349045 0.808555 -0.351511
Affection_Affec+ 0.775496 -0.266936 -0.060797
Affection_Affec- -0.835150 0.287470 0.065474
Agressivite_Agress+ -0.431539 0.209196 0.333548
Agressivite_Agress- 0.400714 -0.194253 -0.309723

col_coord_dim4 col_coord_dim5 col_coord_dim6 \

Taille_Taille+ 0.342456 -0.310040 0.118297
Taille_Taille++ -0.170222 0.112663 -0.049965
Taille_Taille- 0.120149 -0.019963 0.022569
Poids_Poids+ -0.118364 -0.190201 0.012908
Poids_Poids++ 0.067605 0.614518 0.289232
Poids_Poids- 0.164884 -0.051221 -0.203360
Velocite_Veloc+ 0.370243 -0.371036 0.629313
Velocite_Veloc++ -0.239848 -0.010089 -0.532181
Velocite_Veloc- -0.080331 0.305908 -0.024488
Intelligence_Intell+ -0.603492 0.146256 -0.378518
Intelligence_Intell++ 1.275249 1.063191 0.205389
Intelligence_Intell- 0.024238 -1.035060 0.461050
Affection_Affec+ 0.077216 0.040322 -0.318067
Affection_Affec- -0.083156 -0.043424 0.342534
Agressivite_Agress+ 0.551156 -0.374464 -0.514255
Agressivite_Agress- -0.511788 0.347717 0.477522

col_coord_dim7 col_coord_dim8 col_coord_dim9 \

Taille_Taille+ -0.858306 -0.259599 0.307322
Taille_Taille++ 0.117844 0.056414 -0.144633
Taille_Taille- 0.360553 0.064541 0.090411
Poids_Poids+ -0.037178 -0.125673 -0.184946
Poids_Poids++ -0.067864 0.641508 0.204009
Poids_Poids- 0.107475 -0.181014 0.196151
Velocite_Veloc+ 0.625743 0.173445 -0.008821
Velocite_Veloc++ -0.192758 0.141837 0.291628
Velocite_Veloc- -0.327112 -0.266409 -0.255408
Intelligence_Intell+ 0.281329 -0.075777 0.041319
Intelligence_Intell++ -0.092247 -0.094569 -0.020514
Intelligence_Intell- -0.387975 0.194064 -0.051758
Affection_Affec+ -0.170577 0.311516 -0.130227
Affection_Affec- 0.183698 -0.335479 0.140244
Agressivite_Agress+ 0.153837 -0.049324 -0.026899
Agressivite_Agress- -0.142849 0.045801 0.024978

col_coord_dim10 ... col_cos2_dim1 \

Taille_Taille+ -0.015208 ... 0.164625
Taille_Taille++ 0.121550 ... 0.875032
Taille_Taille- -0.249601 ... 0.491442
Poids_Poids+ -0.097573 ... 0.100447
Poids_Poids++ -0.071494 ... 0.234204
Poids_Poids- 0.215436 ... 0.575313
Velocite_Veloc+ 0.053786 ... 0.153447
Velocite_Veloc++ -0.020744 ... 0.397921
Velocite_Veloc- -0.024359 ... 0.060213

Olivier Garcia Package fanalysis - AFCM 17 sur 32

 Statistiques pour les points colonnes

In [18]: # Coordonnées des points colonnes

print(my_mca.col_coord_)

[[ 0.85108805 -1.23171972 1.01605178 0.34245635 -0.31004022 0.11829709

-0.85830588 -0.25959948 0.30732198 -0.01520824]
[-0.83667535 -0.02057846 -0.05121744 -0.17022176 0.11266304 -0.04996469
0.11784406 0.05641401 -0.14463269 0.12155001]
[ 1.18495571 0.9238965 -0.61599962 0.12014924 -0.0199635 0.02256927
0.36055265 0.06454103 0.09041149 -0.24960128]
[-0.30540525 -0.81887572 -0.23127208 -0.11836395 -0.19020146 0.0129084
-0.03717755 -0.12567337 -0.18494632 -0.09757299]
[-1.01513413 0.97390062 1.22159452 0.06760494 0.61451838 0.28923175
-0.06786357 0.64150795 0.20400871 -0.07149381]
[ 1.16891802 0.82434462 -0.35877044 0.16488382 -0.05122143 -0.20335954
0.10747545 -0.18101407 0.19615062 0.21543637]
[ 0.60368666 -0.88781355 0.35631249 0.37024339 -0.37103561 0.62931321
0.62574307 0.17344491 -0.00882083 0.05378561]
[-0.89209989 -0.37183247 -0.76308752 -0.23984823 -0.01008873 -0.5321807
-0.19275804 0.1418371 0.29162795 -0.02074368]
[ 0.31994057 1.04490006 0.40172878 -0.0803313 0.30590834 -0.02448794
-0.32711222 -0.26640932 -0.25540849 -0.02435918]
[ 0.3694426 -0.28550314 0.49320252 -0.6034918 0.14625633 -0.37851765
0.28132937 -0.07577653 0.04131926 -0.01449247]
[-0.33506557 -0.45948302 -0.59992378 1.27524863 1.06319128 0.20538874
-0.09224687 -0.09456899 -0.02051408 0.00222567]
[-0.34904504 0.80855486 -0.35151126 0.02423769 -1.03505999 0.46104962
-0.38797506 0.19406361 -0.05175824 0.02188101]
[ 0.77549643 -0.26693613 -0.06079688 0.07721587 0.04032182 -0.31806714
-0.17057709 0.31151592 -0.13022666 0.01931353]
[-0.83515001 0.28746968 0.06547357 -0.08315555 -0.0434235 0.34253384
0.1836984 -0.33547868 0.14024409 -0.02079919]
[-0.43153864 0.20919553 0.33354829 0.55115649 -0.37446406 -0.51425491
0.15383745 -0.04932429 -0.02689949 -0.02007225]
[ 0.40071446 -0.19425299 -0.30972341 -0.51178817 0.34771663 0.47752242
-0.14284906 0.04580113 0.0249781 0.01863851]]

Olivier Garcia Package fanalysis - AFCM 18 sur 32

 In [19]: # Contributions des points colonnes
print(my_mca.col_contrib_)

[[ 4.64207270e+00 1.21706703e+01 1.51042375e+01 2.29739639e+00

1.97613161e+00 3.50313262e-01 2.79114015e+01 4.55442881e+00
1.23822770e+01 9.25524242e-02]
[ 1.34585463e+01 1.01914919e-02 1.15139433e-01 1.70285200e+00
7.82823704e-01 1.87480502e-01 1.57846191e+00 6.45240301e-01
8.22749141e+00 1.77362173e+01]
[ 1.25978150e+01 9.58661729e+00 7.77241612e+00 3.95909184e-01
1.14704658e-02 1.78513713e-02 6.89545420e+00 3.94117907e-01
1.50033602e+00 3.49020865e+01]
[ 1.67368602e+00 1.50620723e+01 2.19114722e+00 7.68462024e-01
2.08240645e+00 1.16791442e-02 1.46628075e-01 2.98862105e+00
1.25563298e+01 1.06671161e+01]
[ 6.60404174e+00 7.60886705e+00 2.18333953e+01 8.95328362e-02
7.76335649e+00 2.09411430e+00 1.74490143e-01 2.78118821e+01
5.45645635e+00 2.04534510e+00]
[ 1.40104164e+01 8.72224556e+00 3.01314769e+00 8.52121591e-01
8.62984888e-02 1.65637063e+00 7.00222427e-01 3.54299832e+00
8.07072682e+00 2.97158224e+01]
[ 3.73685373e+00 1.01170578e+01 2.97200269e+00 4.29655213e+00
4.52825567e+00 1.58621525e+01 2.37361098e+01 3.25289013e+00
1.63211906e-02 1.85217469e+00]
[ 9.18041736e+00 1.99644722e+00 1.53351608e+01 2.02848142e+00
3.76638865e-03 1.27614255e+01 2.53393206e+00 2.44725085e+00
2.00698479e+01 3.09937280e-01]
[ 1.31199315e+00 1.75174229e+01 4.72240258e+00 2.52827940e-01
3.84762211e+00 3.00222251e-02 8.10813552e+00 9.59301475e+00
1.71046406e+01 4.74881221e-01]
[ 2.27420826e+00 1.70014447e+00 9.25318084e+00 1.85499001e+01
1.14335856e+00 9.32511183e+00 7.79652272e+00 1.00894867e+00
5.81957996e-01 2.18518362e-01]
[ 8.63383636e-01 2.03240794e+00 6.31888605e+00 3.82293106e+01
2.78858471e+01 1.26719352e+00 3.86885106e-01 7.25278956e-01
6.62061645e-02 2.37866987e-03]
[ 1.24923997e+00 8.39130827e+00 2.89244826e+00 1.84131478e-02
3.52395869e+01 8.51380619e+00 9.12483625e+00 4.07225041e+00
5.61942915e-01 3.06538061e-01]
[ 1.07914697e+01 1.60052866e+00 1.51421587e-01 3.27036829e-01
9.35875699e-02 7.09094445e+00 3.08671758e+00 1.83630496e+01
6.22545488e+00 4.17937293e-01]
[ 1.16215827e+01 1.72364624e+00 1.63069402e-01 3.52193508e-01
1.00786614e-01 7.63640171e+00 3.32415740e+00 1.97755919e+01
6.70433602e+00 4.50086316e-01]
[ 3.10295649e+00 9.12785746e-01 4.23211941e+00 1.54720794e+01
7.49503059e+00 1.72122911e+01 2.33128271e+00 4.27485436e-01
2.46646321e-01 4.19174645e-01]
[ 2.88131675e+00 8.47586764e-01 3.92982517e+00 1.43669309e+01
6.95967126e+00 1.59828417e+01 2.16476252e+00 3.96950762e-01
2.29028726e-01 3.89233599e-01]]

Olivier Garcia Package fanalysis - AFCM 19 sur 32

 In [20]: # Cos2 des points colonnes
print(my_mca.col_cos2_)

[[ 1.64625197e-01 3.44803059e-01 2.34627550e-01 2.66537163e-02

2.18465774e-02 3.18050046e-03 1.67429315e-01 1.53163382e-02
2.14651811e-02 5.25660553e-05]
[ 8.75032050e-01 5.29341341e-04 3.27903251e-03 3.62193103e-02
1.58662007e-02 3.12058795e-03 1.73590277e-02 3.97817561e-03
2.61482672e-02 1.84680068e-02]
[ 4.91442014e-01 2.98754660e-01 1.32809435e-01 5.05254394e-03
1.39489425e-04 1.78280217e-04 4.54993737e-02 1.45794078e-03
2.86098291e-03 2.18052798e-02]
[ 1.00447166e-01 7.22138784e-01 5.76011410e-02 1.50877186e-02
3.89594100e-02 1.79444121e-04 1.48849136e-03 1.70087034e-02
3.68363070e-02 1.02528343e-02]
[ 2.34203931e-01 2.15564186e-01 3.39157541e-01 1.03873360e-03
8.58256441e-02 1.90125017e-02 1.04669646e-03 9.35301025e-02
9.45898915e-03 1.16167377e-03]
[ 5.75313407e-01 2.86123812e-01 5.41963075e-02 1.14470212e-02
1.10468845e-03 1.74126746e-02 4.86356754e-03 1.37962500e-02
1.62000281e-02 1.95422436e-02]
[ 1.53447405e-01 3.31879115e-01 5.34562485e-02 5.77179639e-02
5.79652297e-02 1.66751629e-01 1.64865004e-01 1.26665839e-02
3.27608348e-05 1.21805981e-03]
[ 3.97921103e-01 6.91296921e-02 2.91151283e-01 2.87635872e-02
5.08912185e-05 1.41608150e-01 1.85778305e-02 1.00588815e-02
4.25234310e-02 2.15150115e-04]
[ 6.02129213e-02 6.42244786e-01 9.49329478e-02 3.79595157e-03
5.50470073e-02 3.52740658e-04 6.29425906e-02 4.17493676e-02
3.83726466e-02 3.49040920e-04]
[ 1.26738700e-01 7.56897524e-02 2.25873819e-01 3.38187895e-01
1.98629905e-02 1.33041636e-01 7.34929109e-02 5.33193380e-03
1.58533237e-03 1.95029438e-04]
[ 3.20768394e-02 6.03213262e-02 1.02831012e-01 4.64645451e-01
3.22964487e-01 1.20527241e-02 2.43128154e-03 2.55522703e-03
1.20236370e-04 1.41532164e-06]
[ 5.12978688e-02 2.75267773e-01 5.20253342e-02 2.47354011e-04
4.51094394e-01 8.95017905e-02 6.33788003e-02 1.58571300e-02
1.12796422e-03 2.01590970e-04]
[ 6.47655853e-01 7.67360421e-02 3.98058885e-03 6.42092843e-03
1.75091491e-03 1.08948761e-01 3.13347388e-02 1.04506948e-01
1.82635190e-02 4.01705745e-04]
[ 6.47655853e-01 7.67360421e-02 3.98058885e-03 6.42092843e-03
1.75091491e-03 1.08948761e-01 3.13347388e-02 1.04506948e-01
1.82635190e-02 4.01705745e-04]
[ 1.72923773e-01 4.06368567e-02 1.03307716e-01 2.82075371e-01
1.30207379e-01 2.45568248e-01 2.19755343e-02 2.25910803e-03
6.71897969e-04 3.74116824e-04]
[ 1.72923773e-01 4.06368567e-02 1.03307716e-01 2.82075371e-01
1.30207379e-01 2.45568248e-01 2.19755343e-02 2.25910803e-03
6.71897969e-04 3.74116824e-04]]

I.4. Graphiques

Olivier Garcia Package fanalysis - AFCM 20 sur 32

 2 types de graphiques peuvent être réalisés :

Les mapping classiques qui représentent les points lignes et colonnes sur un plan factoriel
Des graphiques qui permettent d'interpréter rapidement les axes : on choisit un axe factoriel (le 1er axe dans notre
exemple) et on observe quels sont les points lignes et colonnes qui présentent les plus fortes contributions et cos2
pour cet axe
</p>

Graphiques factoriels

In [21]: # Mapping simultané des points lignes et colonnes

# Les paramètres de la méthode mapping indiquent que ce sont les axes 1 et 2 qui so
nt ici représentés
my_mca.mapping(num_x_axis=1, num_y_axis=2)

In [22]: # Mapping des points lignes

my_mca.mapping_row(num_x_axis=1, num_y_axis=2)

Olivier Garcia Package fanalysis - AFCM 21 sur 32

 In [23]: # Mapping des points colonnes
my_mca.mapping_col(num_x_axis=1, num_y_axis=2)

Sur les 3 graphiques factoriels précédents, les catégories ne sont pas préfixées par les noms des variables auxquelles elles
appartiennent (c'est le choix fait par défaut par le package).
Ce choix est pertinent dans cet exemple car l'omission des préfixes permet d'alléger les graphiques, et il n'y a pas de risque
de confusion entre les catégories.
Mais quand l'ensemble des catégories présente des doublons, il est préférable de les préfixer par les noms de variables pour
lever toute ambiguïté, ce qui alourdit la présentation.
Dans ce cas, on fixe le paramètre short_labels à False

In [24]: my_mca.mapping(num_x_axis=1, num_y_axis=2, short_labels=False)

Analyse du 1er axe - Points lignes

Olivier Garcia Package fanalysis - AFCM 22 sur 32

 In [25]: # Classement des points lignes en fonction de leur contribution au 1er axe
# Le paramètre de la méthode plot_row_contrib indique que c'est pour l'axe numéro 1
que les contributions sont ici
# représentées
my_mca.plot_row_contrib(num_axis=1)

In [26]: # Classement des points lignes en fonction de leur cos2 sur le 1er axe
my_mca.plot_row_cos2(num_axis=1)

Analyse du 1er axe - Points colonnes

Olivier Garcia Package fanalysis - AFCM 23 sur 32

 In [27]: # Classement des points colonnes en fonction de leur contribution au 1er axe
my_mca.plot_col_contrib(num_axis=1)

In [28]: # Classement des points colonnes en fonction de leur cos2 sur le 1er axe
my_mca.plot_col_cos2(num_axis=1)

Pour ces graphiques produits par les méthodes plot_row_contrib, plot_row_cos2, plot_col_contrib, plot_col_cos2, on peut se
limiter à visualiser les x valeurs les plus grandes via le paramètre nb_values.

Olivier Garcia Package fanalysis - AFCM 24 sur 32

 In [29]: my_mca.plot_row_contrib(num_axis=1, nb_values=10)

Pour tous les graphiques présentés plus haut, il est possible de définir un taille particulière via le paramètre figsize.

In [30]: my_mca.mapping(1, 2, figsize=(10, 8))

Olivier Garcia Package fanalysis - AFCM 25 sur 32

 II. Approche Machine Learning
Ici, l'objectif est d'utiliser l'Analyse des Correspondance Multiples en tant que méthode de prétraitement.

La classe MCA implémente les méthodes fit, transform et fit_transform bien connues des utilisateurs de scikit-learn.

Il est ici judicieux de fixer le paramètre stats à False pour gagner en temps de traitement et en ressources mémoire.

In [31]: my_mca = MCA(stats=False)

In [32]: my_mca.fit(X)

Out[32]: MCA(n_components=None, row_labels=None, stats=False, var_labels=None)

Olivier Garcia Package fanalysis - AFCM 26 sur 32

 In [33]: my_mca.transform(X)

Olivier Garcia Package fanalysis - AFCM 27 sur 32

 Out[33]: array([[ -3.17200051e-01, -4.17701298e-01, -1.01467714e-01,
-2.11436281e-01, -1.18509544e-01, -8.44917274e-01,
8.90501548e-02, 2.01986411e-01, -1.67018837e-01,
-2.28067149e-02],
[ 2.54109843e-01, 1.10122699e+00, -1.90700968e-01,
2.92637269e-01, -5.24008519e-01, 3.98946811e-02,
5.28331582e-02, -4.47362922e-01, 1.00738366e-01,
-1.47102197e-01],
[ -4.86395534e-01, -4.64449578e-01, -4.98133882e-01,
5.77425252e-01, 2.75902052e-01, -5.67764838e-01,
-1.29096839e-01, 1.87330321e-01, -2.34185002e-01,
8.91993408e-03],
[ 4.47364924e-01, -8.81777941e-01, 6.92015804e-01,
2.60001835e-01, -4.55589836e-01, -2.13745841e-01,
-3.00768021e-03, -1.98192681e-02, -2.44628915e-03,
-1.40900948e-01],
[ 1.01335218e+00, 5.49879489e-01, -1.63423202e-01,
-3.49919273e-01, 3.30786485e-01, -2.01414177e-01,
6.35440823e-02, -7.90356807e-02, -3.56024365e-02,
-6.65432469e-02],
[ -7.52574495e-01, 5.46911834e-01, 4.97573073e-01,
6.55152661e-01, 7.21946355e-01, 1.17925813e-01,
-1.85943335e-02, -3.73250962e-02, -1.12102625e-01,
-2.45732947e-02],
[ 9.12301484e-01, -1.61876744e-02, -5.76569722e-01,
6.28133396e-01, 4.34016531e-01, 3.86066396e-01,
4.01809663e-01, 2.49346973e-01, 1.65086085e-01,
1.13481695e-01],
[ 8.40799374e-01, 8.43852157e-01, -4.69947142e-01,
-8.63428687e-02, -1.77346455e-01, 1.97088251e-01,
-3.27291133e-01, 1.31410453e-01, -1.36707423e-01,
2.48406642e-03],
[ 7.33295293e-01, 7.90731735e-02, 6.62230424e-01,
1.89743186e-01, -1.04627236e-01, -6.26726024e-01,
-4.74951235e-01, -4.06017775e-01, 1.43663776e-01,
3.04810338e-01],
[ -1.17325200e-01, -5.26107651e-01, -3.34893734e-01,
-6.57754538e-01, 1.92130196e-01, -3.74168009e-01,
-8.41976661e-02, 2.76173951e-01, -1.10667059e-01,
5.06561417e-02],
[ 6.47239775e-01, -9.90184294e-01, 4.58589784e-01,
-1.86316421e-01, -1.44950097e-01, 2.57003424e-01,
-1.76255501e-01, 5.43682719e-02, 5.39054897e-02,
-6.74380911e-02],
[ -8.73210214e-01, -3.15481101e-01, -4.52313727e-01,
5.10087132e-01, 2.39879728e-01, -2.54209144e-01,
7.77796319e-02, -3.17255514e-01, 5.96125655e-02,
-6.72034723e-02],
[ -1.04701683e+00, 5.06957678e-01, 1.65034759e-01,
6.28882045e-02, -3.16521571e-01, -1.70166797e-03,
-1.12827456e-01, 5.06165196e-01, 4.48174302e-01,
1.95886373e-02],
[ 4.78044292e-01, -1.03693257e+00, 6.19236160e-02,
6.02545112e-01, 2.49461500e-01, 5.34155860e-01,
-3.94402495e-01, 3.97121822e-02, -1.32606750e-02,
-3.57114421e-02],
[ -1.44910083e-01, -5.15782953e-01, 1.17126612e-01,
-4.68922193e-01, 8.49711247e-04, 4.90693297e-01,
6.00636280e-01, -2.03761210e-01, -1.43230553e-01,
1.15969760e-01],
[ -8.76567539e-01, 2.52398470e-02, -3.62171499e-01,
-1.51979963e-02, -6.62664808e-01, -1.32859151e-01,
-9.49085902e-02, -9.21532905e-02, 2.56737440e-02,
-2.99028079e-02],

Olivier Garcia Package fanalysis - AFCM 28 sur 32

 In [34]: my_mca.fit_transform(X)

Olivier Garcia Package fanalysis - AFCM 29 sur 32

 Out[34]: array([[ -3.17200051e-01, -4.17701298e-01, -1.01467714e-01,
-2.11436281e-01, -1.18509544e-01, -8.44917274e-01,
8.90501548e-02, 2.01986411e-01, -1.67018837e-01,
-2.28067149e-02],
[ 2.54109843e-01, 1.10122699e+00, -1.90700968e-01,
2.92637269e-01, -5.24008519e-01, 3.98946811e-02,
5.28331582e-02, -4.47362922e-01, 1.00738366e-01,
-1.47102197e-01],
[ -4.86395534e-01, -4.64449578e-01, -4.98133882e-01,
5.77425252e-01, 2.75902052e-01, -5.67764838e-01,
-1.29096839e-01, 1.87330321e-01, -2.34185002e-01,
8.91993408e-03],
[ 4.47364924e-01, -8.81777941e-01, 6.92015804e-01,
2.60001835e-01, -4.55589836e-01, -2.13745841e-01,
-3.00768021e-03, -1.98192681e-02, -2.44628915e-03,
-1.40900948e-01],
[ 1.01335218e+00, 5.49879489e-01, -1.63423202e-01,
-3.49919273e-01, 3.30786485e-01, -2.01414177e-01,
6.35440823e-02, -7.90356807e-02, -3.56024365e-02,
-6.65432469e-02],
[ -7.52574495e-01, 5.46911834e-01, 4.97573073e-01,
6.55152661e-01, 7.21946355e-01, 1.17925813e-01,
-1.85943335e-02, -3.73250962e-02, -1.12102625e-01,
-2.45732947e-02],
[ 9.12301484e-01, -1.61876744e-02, -5.76569722e-01,
6.28133396e-01, 4.34016531e-01, 3.86066396e-01,
4.01809663e-01, 2.49346973e-01, 1.65086085e-01,
1.13481695e-01],
[ 8.40799374e-01, 8.43852157e-01, -4.69947142e-01,
-8.63428687e-02, -1.77346455e-01, 1.97088251e-01,
-3.27291133e-01, 1.31410453e-01, -1.36707423e-01,
2.48406642e-03],
[ 7.33295293e-01, 7.90731735e-02, 6.62230424e-01,
1.89743186e-01, -1.04627236e-01, -6.26726024e-01,
-4.74951235e-01, -4.06017775e-01, 1.43663776e-01,
3.04810338e-01],
[ -1.17325200e-01, -5.26107651e-01, -3.34893734e-01,
-6.57754538e-01, 1.92130196e-01, -3.74168009e-01,
-8.41976661e-02, 2.76173951e-01, -1.10667059e-01,
5.06561417e-02],
[ 6.47239775e-01, -9.90184294e-01, 4.58589784e-01,
-1.86316421e-01, -1.44950097e-01, 2.57003424e-01,
-1.76255501e-01, 5.43682719e-02, 5.39054897e-02,
-6.74380911e-02],
[ -8.73210214e-01, -3.15481101e-01, -4.52313727e-01,
5.10087132e-01, 2.39879728e-01, -2.54209144e-01,
7.77796319e-02, -3.17255514e-01, 5.96125655e-02,
-6.72034723e-02],
[ -1.04701683e+00, 5.06957678e-01, 1.65034759e-01,
6.28882045e-02, -3.16521571e-01, -1.70166797e-03,
-1.12827456e-01, 5.06165196e-01, 4.48174302e-01,
1.95886373e-02],
[ 4.78044292e-01, -1.03693257e+00, 6.19236160e-02,
6.02545112e-01, 2.49461500e-01, 5.34155860e-01,
-3.94402495e-01, 3.97121822e-02, -1.32606750e-02,
-3.57114421e-02],
[ -1.44910083e-01, -5.15782953e-01, 1.17126612e-01,
-4.68922193e-01, 8.49711247e-04, 4.90693297e-01,
6.00636280e-01, -2.03761210e-01, -1.43230553e-01,
1.15969760e-01],
[ -8.76567539e-01, 2.52398470e-02, -3.62171499e-01,
-1.51979963e-02, -6.62664808e-01, -1.32859151e-01,
-9.49085902e-02, -9.21532905e-02, 2.56737440e-02,
-2.99028079e-02],

Olivier Garcia Package fanalysis - AFCM 30 sur 32

 Intégration dans une Pipeline de scikit-learn

La class MCA peut être intégrée dans une Pipeline de scikit-learn.

Dans le cadre de notre exemple, nous cherchons à prédire la 7ème variable (variable Fonction) à partir des 6 premières
variables du jeu de données.
Fonction est une variable nominale comprenant 3 catégories : "chasse", "compagnie" et "utilite".
Pour la prédire, nous allons utiliser un modèle de régression logistique, qui prendra en input des axes issus d'une Analyse
des Correspondances Multiples pratiquée sur les données brutes.
Dans un premier temps, et de façon tout à fait arbitraire, nous fixons le nombre de composantes extraites à 4.

In [35]: from [Link] import Pipeline

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV

In [36]: df = pd.read_table("mca_data.txt", header=0, index_col=0, delimiter="\t", encoding=

"utf-8")

In [37]: # X = features
X = [Link][:, 0:6].as_matrix()
# y = labels
y = [Link][:, 6].as_matrix()

In [38]: # Construction de la Pipeline

# On enchaine une Analyse des Correspondances Multiples (4 axes retenus) puis une r
égression logistique multinomiale
pipe = Pipeline([("mca", MCA(n_components=4, stats=False)),
("logit", LogisticRegression(multi_class="multinomial", solver="lb
fgs"))])

In [39]: # Estimation du modèle

[Link](X, y)

Out[39]: Pipeline(steps=[('mca', MCA(n_components=4, row_labels=None, stats=False, var_la

bels=None)), ('logit', LogisticRegression(C=1.0, class_weight=None, dual=False,
fit_intercept=True,
intercept_scaling=1, max_iter=100, multi_class='multinomial',
n_jobs=1, penalty='l2', random_state=None, solver='lbfgs',
tol=0.0001, verbose=0, warm_start=False))])

In [40]: # Prédiction sur l'échantillon de test

print([Link](X))

['chasse' 'compagnie' 'chasse' 'compagnie' 'compagnie' 'utilite'

'compagnie' 'compagnie' 'compagnie' 'chasse' 'compagnie' 'utilite'
'utilite' 'compagnie' 'chasse' 'utilite' 'compagnie' 'utilite' 'compagnie'
'chasse' 'utilite' 'compagnie' 'chasse' 'utilite' 'chasse' 'compagnie'
'utilite']

Le paramètre n_components peut faire l'objet d'une optimisation via GridSearchCV de scikit-learn.
Nous reconstruisons donc une Pipeline, sans spécifier de valeur a priori pour n_components.

In [41]: # Reconstruction d'une Pipeline, sans spécifier de valeur a priori pour n_component
s
pipe2 = Pipeline([("mca", MCA(stats=False)), ("logit", LogisticRegression(multi_cla
ss="multinomial", solver="lbfgs"))])

Olivier Garcia Package fanalysis - AFCM 31 sur 32

 In [42]: # Paramétrage de la grille de paramètres
# Attention à l'étendue des valeurs possibles pour mca__n_components !!!
param = [{"mca__n_components": [x + 1 for x in range(10)]}]

In [43]: # Construction de l'obet GridSearchCV

grid_search = GridSearchCV(pipe2, param_grid=param, scoring="accuracy")

In [44]: # Estimation du modèle

grid_search.fit(X, y)

Out[44]: GridSearchCV(cv=None, error_score='raise',

estimator=Pipeline(steps=[('mca', MCA(n_components=None, row_labels=None,
stats=False, var_labels=None)), ('logit', LogisticRegression(C=1.0, class_weight
=None, dual=False, fit_intercept=True,
intercept_scaling=1, max_iter=100, multi_class='multinomial',
n_jobs=1, penalty='l2', random_state=None, solver='lbfgs',
tol=0.0001, verbose=0, warm_start=False))]),
fit_params={}, iid=True, n_jobs=1,
param_grid=[{'mca__n_components': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}],
pre_dispatch='2*n_jobs', refit=True, return_train_score=True,
scoring='accuracy', verbose=0)

In [45]: # Affichage du score optimal

grid_search.best_score_

Out[45]: 0.77777777777777779

In [46]: # Affichage du paramètre optimal

grid_search.best_params_

Out[46]: {'mca__n_components': 5}

In [47]: # Prédiction sur l'échantillon de test

grid_search.predict(X)

Out[47]: array(['chasse', 'compagnie', 'chasse', 'compagnie', 'compagnie',

'utilite', 'compagnie', 'compagnie', 'compagnie', 'chasse',
'compagnie', 'utilite', 'utilite', 'compagnie', 'chasse', 'chasse',
'compagnie', 'chasse', 'compagnie', 'chasse', 'utilite',
'compagnie', 'chasse', 'utilite', 'chasse', 'compagnie', 'utilite'], dtyp
e=object)

Olivier Garcia Package fanalysis - AFCM 32 sur 32