| Property |
Value |
| dbo:abstract
|
- L'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux. Elle permet au statisticien de résumer l'information en réduisant le nombre de variables. Il s'agit d'une approche à la fois géométrique (les variables étant représentées dans un nouvel espace, selon des directions d'inertie maximale) et statistique (la recherche portant sur des axes indépendants expliquant au mieux la variabilité — la variance — des données). Lorsqu'on veut compresser un ensemble de variables aléatoires, les premiers axes de l'analyse en composantes principales sont un meilleur choix, du point de vue de l'inertie ou de la variance. L'outil mathématique est appliqué dans d'autres domaines que les statistiques et est parfois appelé décomposition orthogonale aux valeurs propres ou POD (anglais : proper orthogonal decomposition). (fr)
- L'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux. Elle permet au statisticien de résumer l'information en réduisant le nombre de variables. Il s'agit d'une approche à la fois géométrique (les variables étant représentées dans un nouvel espace, selon des directions d'inertie maximale) et statistique (la recherche portant sur des axes indépendants expliquant au mieux la variabilité — la variance — des données). Lorsqu'on veut compresser un ensemble de variables aléatoires, les premiers axes de l'analyse en composantes principales sont un meilleur choix, du point de vue de l'inertie ou de la variance. L'outil mathématique est appliqué dans d'autres domaines que les statistiques et est parfois appelé décomposition orthogonale aux valeurs propres ou POD (anglais : proper orthogonal decomposition). (fr)
|
| dbo:thumbnail
| |
| dbo:wikiPageExternalLink
| |
| dbo:wikiPageID
| |
| dbo:wikiPageLength
|
- 34393 (xsd:nonNegativeInteger)
|
| dbo:wikiPageRevisionID
| |
| dbo:wikiPageWikiLink
| |
| prop-fr:année
|
- 2008 (xsd:integer)
- 2009 (xsd:integer)
- 2013 (xsd:integer)
|
| prop-fr:auteur
| |
| prop-fr:id
|
- Escofier&Pagès (fr)
- Husson et al (fr)
- Pagès 2013 (fr)
- Escofier&Pagès (fr)
- Husson et al (fr)
- Pagès 2013 (fr)
|
| prop-fr:isbn
|
- 978 (xsd:integer)
- 0978-02-10 (xsd:date)
|
| prop-fr:langue
| |
| prop-fr:lieu
|
- Paris (fr)
- Les Ulis (fr)
- Paris (fr)
- Les Ulis (fr)
|
| prop-fr:pagesTotales
|
- 224 (xsd:integer)
- 253 (xsd:integer)
- 318 (xsd:integer)
|
| prop-fr:sousTitre
|
- objectifs, méthodes et interprétation (fr)
- objectifs, méthodes et interprétation (fr)
|
| prop-fr:texte
|
- Escofier&Pagès 2008 (fr)
- Husson, Lê & Pagès 2009 (fr)
- Pagès 2013 (fr)
- Escofier&Pagès 2008 (fr)
- Husson, Lê & Pagès 2009 (fr)
- Pagès 2013 (fr)
|
| prop-fr:titre
|
- Analyse des données avec R (fr)
- Analyse factorielle multiple avec R (fr)
- Analyses factorielles simples et multiples (fr)
- Analyse des données avec R (fr)
- Analyse factorielle multiple avec R (fr)
- Analyses factorielles simples et multiples (fr)
|
| prop-fr:wikiPageUsesTemplate
| |
| prop-fr:éditeur
| |
| dct:subject
| |
| rdfs:comment
|
- L'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux. Elle permet au statisticien de résumer l'information en réduisant le nombre de variables. (fr)
- L'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux. Elle permet au statisticien de résumer l'information en réduisant le nombre de variables. (fr)
|
| rdfs:label
|
- Analyse en composantes principales (fr)
- Anàlisi de components principals (ca)
- Análise de componentes principais (pt)
- Análisis de componentes principales (es)
- Hoofdcomponentenanalyse (nl)
- Principal component analysis (en)
- تحليل العنصر الرئيسي (ar)
- 主成分分析 (zh)
|
| rdfs:seeAlso
| |
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:depiction
| |
| foaf:isPrimaryTopicOf
| |
| is dbo:wikiPageDisambiguates
of | |
| is dbo:wikiPageRedirects
of | |
| is dbo:wikiPageWikiLink
of | |
| is oa:hasTarget
of | |
| is foaf:primaryTopic
of | |
