Analyse en Composantes Principales

L’ACP permet de déterminer les espaces de dimension inférieure à l’espace initial :
- où la projection du nuage de points initial est la moins déformée possible,
- qui conserve le plus d’information c’est-à-dire de variabilité.
L’ACP permet de conserver au mieux la structure de corrélation entre les variables initiales
- Lorsque plusieurs variables sont corrélées, les composantes principales = combinaison de ces variables
- Permet de représenter les observations avec une perte d’information minimale
- L’ACP est particulièrement utile lorsque les variables sont fortement corrélées (réduction de dimension)

Analyse en Composantes Principales

Le principe de l’ACP :

Trouver un axe ( = la première composante principale),
Issu d’une combinaison linéaire des variables initiales,
Tel que la variance du nuage autour de cet axe soit maximale.
Réitérer ce processus dans des directions orthogonales pour déterminer les composantes principales suivantes.

Analyse en Composantes Principales

L’ACP suppose que les directions avec les plus grandes variances sont les plus “importantes”
La quantité de variance expliquée par chaque composante principale est mesurée par ce que l’on appelle valeur propre.

Standardisation des données

Pour faire une ACP, les variables sont souvent normalisées
Particulièrement recommandé lorsque les variables sont mesurées dans différentes unités
L’objectif est de rendre les variables comparables.

Standardisation des données

Centrer et réduire = soustraire à chaque valeur la moyenne de la variable et diviser par l’écart-type (fonction scale()) : $\frac{x_{i} - mean(x)}{sd(x)}$

- L’ACP appliquée à ces données transformées est appelée ACP normée.

Code R

library("FactoMineR")
library("factoextra")

PCA(X, scale.unit = TRUE, ncp = 5, graph = TRUE)

X : jeu de données de type data frame. Les lignes sont des individus et les colonnes sont des variables numériques
scale.unit : une valeur logique. Si TRUE, les données sont standardisées/normalisées avant l’analyse.
ncp : nombre de dimensions conservées dans les résultats finaux.
graph : une valeur logique. Si TRUE un graphique est affiché.

data(decathlon2)
res.pca = PCA(decathlon2[, 1:10], graph = FALSE)

Code R

Le résultat de la fonction PCA() est une liste, contenant les éléments suivants :

res.pca

**Results for the Principal Component Analysis (PCA)**
The analysis was performed on 27 individuals, described by 10 variables
*The results are available in the following objects:

   name               description                          
1  "$eig"             "eigenvalues"                        
2  "$var"             "results for the variables"          
3  "$var$coord"       "coord. for the variables"           
4  "$var$cor"         "correlations variables - dimensions"
5  "$var$cos2"        "cos2 for the variables"             
6  "$var$contrib"     "contributions of the variables"     
7  "$ind"             "results for the individuals"        
8  "$ind$coord"       "coord. for the individuals"         
9  "$ind$cos2"        "cos2 for the individuals"           
10 "$ind$contrib"     "contributions of the individuals"   
11 "$call"            "summary statistics"                 
12 "$call$centre"     "mean of the variables"              
13 "$call$ecart.type" "standard error of the variables"    
14 "$call$row.w"      "weights for the individuals"        
15 "$call$col.w"      "weights for the variables"

Valeurs propres / Variances

Les valeurs propres (eigenvalues en anglais) mesurent la quantité de variance expliquée par chaque axe principal.
Elles sont grandes pour les premiers axes et petites pour les axes suivants.
Les premiers axes correspondent aux directions portant la quantité maximale de variation contenue dans le jeu de données.
On peut examiner les valeurs propres pour déterminer le nombre de composantes principales à prendre en compte.

Valeurs propres / Variances

eig.val = get_eigenvalue(res.pca)
eig.val

Les valeurs propres peuvent être utilisées pour déterminer le nombre d’axes principaux à conserver.

Une valeur propre > 1 : la composante principale (PC) concernée représente plus de variance par rapport à une seule variable d’origine, lorsque les données sont standardisées.
On peut regarder le nombre d’axes qui représente une certaine fraction de la variance totale. Par exemple, le nombre d’axe qui permet de parvenir à 70% de la variance totale expliquée.

Valeurs propres / Variances

fviz_eig(res.pca, addlabels = TRUE, ylim = c(0, 50))

Étude des variables

L’ACP permet d’étudier les liaisons linéaires entre les variables.

Les objectifs sont de résumer la matrice des corrélations et de chercher des variables synthétiques : peut-on résumer les observations par un petit nombre de variables ?

Dans notre exemple : les variables représentent les performances des athlètes dans chaque discipline

Graphiques des variables

var = get_pca_var(res.pca)
var

Principal Component Analysis Results for variables
 ===================================================
  Name       Description                                    
1 "$coord"   "Coordinates for the variables"                
2 "$cor"     "Correlations between variables and dimensions"
3 "$cos2"    "Cos2 for the variables"                       
4 "$contrib" "contributions of the variables"

Les composants de get_pca_var() peuvent être utilisés dans le graphique des variables comme suit :

var$coord : coordonnées des variables pour représenter le nuage de points.
var$cos2 : cosinus carré des variables. Représente la qualité de représentation des variables sur le graphique de l’ACP. Il est calculé comme étant les coordonnées au carré : $var.cos^2 = var.coord * var.coord$.
var$contrib : contient les contributions (en pourcentage), des variables, aux composantes principales. La contribution d’une variable (var) à une composante principale donnée : $(var.cos^2 \times 100) / (\sum_{composante} cos^2)$.

Graphiques des variables

# Coordonnées
var$coord[1:3, 1:4]

               Dim.1      Dim.2        Dim.3       Dim.4
X100m     -0.8189521  0.3427787  0.100864539  0.10134200
Long.jump  0.7588985 -0.3814931 -0.006261254 -0.18542415
Shot.put   0.7150783  0.2821167  0.473854591  0.03610404

# Cos2: qualité de répresentation
var$cos2[1:3, 1:4]

              Dim.1      Dim.2        Dim.3       Dim.4
X100m     0.6706825 0.11749725 0.0101736553 0.010270201
Long.jump 0.5759270 0.14553701 0.0000392033 0.034382115
Shot.put  0.5113370 0.07958983 0.2245381732 0.001303502

# Contributions aux composantes principales
var$contrib[1:3, 1:4]

             Dim.1    Dim.2        Dim.3     Dim.4
X100m     17.88500 6.732718  0.670277238 0.9949816
Long.jump 15.35817 8.339426  0.002582856 3.3309545
Shot.put  13.63575 4.560583 14.793387670 0.1262838

Le cercle de corrélation

fviz_pca_var(res.pca, col.var = "black")

Plus une variable est proche du cercle de corrélation, meilleure est sa représentation et elle est plus importante pour interpréter les composantes principales en considération
Les variables qui sont proche du centre du graphique sont moins importantes pour interpréter les composantes.

Qualité de représentation

corrplot(var$cos2, is.corr=FALSE)

Un $cos^2$ élevé = bonne représentation de la variable sur les axes principaux
$\rightarrow$ la variable est positionnée à proximité du bord du cercle de corrélation.
Un faible $cos^2$ = la variable n’est pas bien représentée par les axes principaux
$\rightarrow$ la variable est proche du centre du cercle.

Qualité de représentation

# Cos2 total des variables sur Dim.1 et Dim.2
fviz_cos2(res.pca, choice = "var", axes = 1:2)

Si une variable est parfaitement représentée par les deux 1ères composantes principales, les variables seront positionnées sur le cercle de corrélation.
Pour certaines des variables, plus de 2 axes peuvent être nécessaires pour représenter parfaitement les données.

Qualité de représentation

# Cos2 total des variables sur Dim.1 et Dim.2
fviz_cos2(res.pca, choice = "var", axes = 1:5)

Pour une variable donnée, la somme des $cos^2$ sur toutes les composantes principales est égale à 1.

Qualité de représentation

# Colorer en fonction du cos2 : qualité de représentation
fviz_pca_var(res.pca, col.var = "cos2",
             gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
             repel = TRUE # Évite le chevauchement de texte
             )

Contributions des variables aux axes principaux

head(var$contrib, 4)

             Dim.1     Dim.2        Dim.3     Dim.4    Dim.5
X100m     17.88500  6.732718  0.670277238 0.9949816  7.81996
Long.jump 15.35817  8.339426  0.002582856 3.3309545 11.25620
Shot.put  13.63575  4.560583 14.793387670 0.1262838 12.56616
High.jump  9.87378 21.416504  0.001397716 0.4917303 14.62394

Plus la valeur de la contribution est importante, plus la variable contribue à la composante principale en question.
Les contributions des variables sont exprimées en pourcentage.
Les variables corrélées avec PC1 (i.e., Dim.1) et PC2 (i.e., Dim.2) sont les plus importantes pour expliquer la variabilité dans le jeu de données.
Les variables qui ne sont pas en corrélation avec un axe ou qui sont corrélées avec les derniers axes sont des variables à faible apport et peuvent être supprimées pour simplifier l’analyse globale.

Contributions des variables aux axes principaux

corrplot(var$contrib, is.corr=FALSE)

Contributions des variables aux axes principaux

# Contributions des variables à PC1
fviz_contrib(res.pca, choice = "var", axes = 1, top = 10)
# Contributions des variables à PC2
fviz_contrib(res.pca, choice = "var", axes = 2, top = 10)

Contribution moyenne attendue : Une variable avec une contribution supérieure à ce seuil pourrait être considérée comme importante pour contribuer à la composante.

Contributions des variables aux axes principaux

La contribution totale à PC1 et PC2 est obtenue avec le code R suivant :

fviz_contrib(res.pca, choice = "var", axes = 1:2, top = 10)

Contributions des variables aux axes principaux

fviz_pca_var(res.pca, col.var = "contrib",
             gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07")
             )

Description des dimensions

La fonction dimdesc() peut être utilisée pour identifier les variables les plus significativement associées avec une composante principale donnée :

res.desc = dimdesc(res.pca, axes = c(1,2), proba = 0.05)
# Description de la dimension 1
res.desc$Dim.1

$quanti
             correlation         p.value
Long.jump      0.7588985 0.0000044696655
Discus         0.7168881 0.0000258693448
Shot.put       0.7150783 0.0000277085025
High.jump      0.6084933 0.0007579915942
X400m         -0.6438482 0.0002904661206
X110m.hurdle  -0.7164203 0.0000263340399
X100m         -0.8189521 0.0000001769961

# Description de la dimension 2
res.desc$Dim.2

$quanti
           correlation      p.value
High.jump    0.6113542 0.0007043348
Long.jump   -0.3814931 0.0495907675
X1500m      -0.5681197 0.0019922408
Pole.vault  -0.7375479 0.0000113643

Les variables sont triées en fonction de la p-value de la corrélation.

Ajout de variables supplémentaires pour aider à l’interprétation

res.pca = PCA(decathlon2[, 1:12], quanti.sup = 11:12, graph = FALSE)
fviz_pca_var(res.pca, col.var = "cos2",
             gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
             col.quanti.sup = "blue",
             repel = TRUE # Évite le chevauchement de texte
             )

Étude des individus

On peut également étudier la variabilité entre individus.

Y a-t-il des similarités entre les individus pour toutes les variables ? Peut-on établir des profils d’individus ? Peut-on opposer un groupe d’individus à un autre ?

Dans notre exemple : les individus sont les athlètes : deux athlètes sont proches s’ils ont des résultats similaires.

Graphique des individus

ind = get_pca_ind(res.pca)
ind

Pour accéder aux différents éléments, utilisez ceci :

# Coordonnées des individus
ind$coord[1:3, 1:4]

             Dim.1      Dim.2     Dim.3      Dim.4
SEBRLE   0.2779582 -0.5364345 1.5852390  0.1058225
CLAY     0.9048536 -2.0942803 0.8406848  1.8507178
BERNARD -1.3722659 -1.3481155 0.9619317 -1.4930718

# Qualité des individus
ind$cos2[1:3, 1:4]

             Dim.1      Dim.2      Dim.3       Dim.4
SEBRLE  0.01544651 0.05753138 0.50241310 0.002238865
CLAY    0.06557423 0.35127414 0.05660346 0.274319687
BERNARD 0.23223664 0.22413434 0.11411498 0.274925838

# Contributions des individus
ind$contrib[1:3, 1:4]

             Dim.1     Dim.2    Dim.3       Dim.4
SEBRLE  0.07630746 0.6107062 6.132015  0.04018174
CLAY    0.80865774 9.3082618 1.724567 12.29002506
BERNARD 1.85987901 3.8570314 2.257887  7.99896372

Graphique : qualité et contribution

fviz_pca_ind (res.pca, col.ind = "cos2",
             gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
             repel = TRUE) # Évite le chevauchement de texte

Graphique : qualité et contribution

fviz_pca_ind (res.pca, pointsize = "cos2",
             pointshape = 21, fill = "#E7B800",
             repel = TRUE) # Évite le chevauchement de texte

Graphique : qualité et contribution

# Contribution totale sur PC1 et PC2
fviz_contrib(res.pca, choice = "ind", axes = 1:2)

Lien entre les variables et les observations

Permet de répondre à la question : peut-on caractériser des groupes d’individus par des variables ?

Le biplot : représenter les individus et les variables en même temps

fviz_pca_biplot(res.pca, repel = TRUE,
                col.var = "#2E9FDF", # Couleur des variables
                col.ind = "#696969") # Couleur des individues

Le biplot n’est utile que s’il existe un faible nombre de variables et d’individus dans le jeu de données

Les coordonnées des individus et des variables ne sont pas construites dans le même espace.
$\rightarrow$ se concentrer sur la direction des variables mais pas sur leurs positions absolues sur le graphique.

Le biplot : représenter les individus et les variables en même temps

fviz_pca_biplot(res.pca, repel = TRUE,
                col.var = "#2E9FDF", # Couleur des variables
                col.ind = "#696969") # Couleur des individues

Un individu qui se trouve du même côté d’une variable donnée a une valeur élevée pour cette variable ;

Un individu qui se trouve sur le côté opposé d’une variable donnée a une faible valeur pour cette variable.

Module 3
Analyse statistique avec R
Séance 2 : L’analyse en composantes principales

DUBii 2019

Analyse en Composantes Principales

Analyse en Composantes Principales

Analyse en Composantes Principales

Analyse en Composantes Principales

Standardisation des données

Standardisation des données

Code R

Code R

Valeurs propres / Variances

Valeurs propres / Variances

Valeurs propres / Variances

Étude des variables

Graphiques des variables

Graphiques des variables

Le cercle de corrélation

Qualité de représentation

Qualité de représentation

Qualité de représentation

Qualité de représentation

Contributions des variables aux axes principaux

Contributions des variables aux axes principaux

Contributions des variables aux axes principaux

Contributions des variables aux axes principaux

Contributions des variables aux axes principaux

Description des dimensions

Ajout de variables supplémentaires pour aider à l’interprétation

Étude des individus

Graphique des individus

Graphique : qualité et contribution

Graphique : qualité et contribution

Graphique : qualité et contribution

Lien entre les variables et les observations

Le biplot : représenter les individus et les variables en même temps

Le biplot : représenter les individus et les variables en même temps

Colorer par groupes (variable qualitative)

Colorer par groupes (variable qualitative)

Module 3 Analyse statistique avec R Séance 2 : L’analyse en composantes principales

DUBii 2019

Analyse en Composantes Principales

Analyse en Composantes Principales

Analyse en Composantes Principales

Analyse en Composantes Principales

Standardisation des données

Standardisation des données

Code R

Code R

Valeurs propres / Variances

Valeurs propres / Variances

Valeurs propres / Variances

Étude des variables

Graphiques des variables

Graphiques des variables

Le cercle de corrélation

Qualité de représentation

Qualité de représentation

Qualité de représentation

Qualité de représentation

Contributions des variables aux axes principaux

Contributions des variables aux axes principaux

Contributions des variables aux axes principaux

Contributions des variables aux axes principaux

Contributions des variables aux axes principaux

Description des dimensions

Ajout de variables supplémentaires pour aider à l’interprétation

Étude des individus

Graphique des individus

Graphique : qualité et contribution

Graphique : qualité et contribution

Graphique : qualité et contribution

Lien entre les variables et les observations

Le biplot : représenter les individus et les variables en même temps

Le biplot : représenter les individus et les variables en même temps

Colorer par groupes (variable qualitative)

Colorer par groupes (variable qualitative)

Module 3
Analyse statistique avec R
Séance 2 : L’analyse en composantes principales