Discriminant

Introduction à l’analyse des données Les liens entre deux groupes de variables peuvent être traités par l’analyse canonique. parmi les techniques de cette famille : o Analyse en composantes principales ( p variable quantitative) o Analyse factorielle discriminante ( p variable quantitative, 1 variable qualitative). o Analyse factorielle des correspondances binaire (2variables qualitatives) et multiple (p variables qualitatives). o Analyse canonique (p et q variables qualitatives). o ‘Multidimensional Scaling’

tester les algorithmes suivant : arbre de decision (C4.5) Réseaux de neurone simple Réseaux de neurones avec couches cachées Réseaux bayésiens Analyse discriminante Le ou les meilleurs algorithmes seront ensuite optimisés afin d’obtenir la meilleur prédiction possible. A noter que dans le cas des réseaux de neurones et de l’analyse discriminante, le variable « sex » ne sera pas prise en compte car elle n’est pas compatible avec ces deux algorithmes. L’objectif étant de faire de la prédiction, nous

II. Analyse Factorielle Discriminante (AFD) 14 1. Introduction 14 2. Application de l’AFD sur le tableau de données iris+.xls 15 a. Tableau de valeur Propre (% de la variance) 16 b. Coefficients des fonctions discriminantes canoniques non-standardisées 16 c. Fonctions aux barycentres des groupes 16 d. Coefficients des Fonctions de classement (Fisher) 17 e. Tableau récapitulatif (Original, validé-croisé) 17 f. Diagramme des fonctions discriminantes canoniques 23 3. Conclusion

: 02 99 14 18 21 Mel : Pierre-Andre.Cornillon@supagro-inra.fr laurent.rouviere@uhb.fr Table des matières 1 Introduction 1.1 Rappels sur le modèle linéaire . . . . . . . . . . . . . . . . . . 1.2 Analyse discriminante de linéaire (au sens de Fisher ou LDA) 1.2.1 L’analyse discriminante linéaire et quadratique . . . . . 1.2.2 Estimation des paramètres . . . . . . . . . . . . . . . . 1.2.3 Point de vue géométrique . . . . . . . . . . . . . . . . 1.3 Le modèle linéaire généralisé : GLM . . . .

accumulée Equipe de recherche en Ingénierie des Connaissances Laboratoire ERIC 6 Le processus ECD (Extraction de connaissances à partir de données) KDD – Knowledge discovery in Databases • Graphes d'Induction • Réseaux de neurones • Analyse discriminante • Régression logistique • Echantillonnage • Préparation des données • Visualisation des données • Tests statistiques • Re-échantillonnage table modèles Connaissances Bases de données Fouille des données (Data mining) Mise

de statistique décisionnelle et de scoring, et à leur mise en oeuvre en entreprise. Ils contiennent une introduction, une partie technique (préparation des données, analyse factorielle, régression linéaire, régression logistique, GLM, analyse discriminante, arbres de décision, réseaux de neurones, algorithmes génétiques, SVM, k-means et centres mobiles, CAH…) et une partie méthodologique (conduite de projet, facteurs de succès, RSI, aspects informatiques, CNIL…). © Stéphane Tufféry - Data Mining

de l’AFCM. Comparer, par une AFC simple, la classification oblyse en composantes principales, analyse des correspondances simple et mul- tenue avec celle en usage dans les services commerciaux de la banque (variable tiple, analyse factorielle discriminante, classification non supervisée). L’ob- segv2s). jectif principal est de produire une “segmentation” de clientèle, c’est-à-dire une répartition en classes homogènes des clients en fonction de leur comporte- 2 Statistiques élémentaires ment bancaire

Identifier / données Brosser (Brushing et Slicing ) Colorier , Marquer / critère Supprimer, cacher, exclure des calculs Animation etc. Ré-expression des données Analyse Composantes Principales Rotation axes Analyse Canonique des Corrélations Analyse Discriminante Régression linéaire, Analyse de - variance, - covariance GLM (MLG) Rég. Logistique Logit Probit Plus de 20 fonctions mathématiques ou statistiques 12 Monique Le Guen CNRS-CES-MATISSE - CLUB SAS Graphiques 15 Mai 2008 Ce qu’apporte

barres par catégorie Tableau de contingence En fonction d'une / de variables quantitative(s) Inférence Modélisation • Test et IC sur la corrélation • Régression linéaire simple et régression multiple • Régression logistique • Analyse discriminante En fonction d'une / de variables qualitative(s) Inférence • Test d’indépendance: χ², test exact de Fisher • Test de McNemar Modélisation • Régression logistique • Arbre de segmentation 35 36 Données ≥2 quali Quali selon

La problématique du voile dont la responsabilité entière est portée par le gouvernement français a été instrumentalisée par la classe politique comme un étendard prétendument "laïc" mais qui sert en fait un clientélisme raciste, xénophobe et discriminant : requalifiée ainsi par la simple observation objective des comportements réactifs que suscite le port du voile musulman, toute entreprise qui participe à sa marginalisation offre à la vindicte populaire les moyens d'un terrain commode et extrêmement