Méthodes PLS

Objectifs

Objectifs
Extraire l'information utile et pertinente d'un ensemble de données pour lesquels les méthodes classiques sont inopérantes du fait d'un déséquilibre du fichier (plus de colonnes que de lignes, nombre important de données manquantes, redondance significative entre les variables exogènes).
Le but est l'exploration (évaluation de la structure de corrélation, présence de groupes, d'individus atypiques,...) et la modélisation (pouvoir prédire et anticiper le comportement d'un processus industriel ou transactionnel).
Compétences visées
- Disposer d'une présentation de la méthode NIPALS et de ses particularités afin d'explorer, modéliser et prédire
- Connaître les différents étapes de la méthode l'Analyse en Composantes Principales avec la mise en oeuvre de l'algorithme NIPALS
- Découvrir les principes de la méthode de régression PLS avec l'algorithme NIPALS et ses avantages par rapports aux méthodes de régression classiques
- Mettre en oeuvre une méthode de régression avec 1 variable dépendante (PLS1) et avec 2 variables dépendantes (PLS2)
- Savoir utiliser l'analyse discriminante basée sur la régression PLS (PLSDA)
- Examiner différents cas d'applications des méthodes PLS

Programme de la formation

- Méthode NIPALS (Non Iterative Partial Least Square)
Présentation de la méthode NIPALS
Particularités de cette méthode pour l'analyse des données
Utilisation pour les différents outils de l'analyse des données selon les objectifs poursuivis
Exploration
Modélisation
Prédiction
- L'analyse en Composantes principales (A.C.P.)
Particularités de l'ACP mise en oeuvre avec l'algorithme NIPALS
Représentation géométrique
Approche algébrique
Mise en oeuvre
Analyse
Utilisation des aides à l'interprétation
Exemples d'utilisation traités
- La régression PLS
Principes de la régression PLS avec l'algorithme NIPALS
Avantages par rapport aux méthodes de régression classiques (gestion de la multicolinéarité, des valeurs manquantes, tableaux déséquilibrés avec plus de colonnes que de lignes,...)
Régression PLS1
Présentation de la PLS1
Construction d'un modèle PLS1
Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
Validation externe
Les prévisions
Présentation et utilisation des aides à l'interprétation
Application sur divers exemples traités
Régression PLS2
Présentation de la PLS2
Particularités de la PLS2
Conditions d'utilisation
Construction d'un modèle PLS2
Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
Validation externe
Les prévisions
Présentation et utilisation des aides à l'interprétation
Application sur divers exemples traités
- L'analyse Discriminante
Types de données et objectifs poursuivis
Exploration et identification de groupes
Affectation de nouveaux individus : prédiction
Méthode SIMCA (Soft Independent Modeling of Class Analogy)
Utilisation de l'ACP NIPALS pour l'identification de groupes
Règles de discrimination : le Cooman's plot
Mode d'affectation de nouveaux individus ou groupe d'individus
Exploration et identification de groupes
Application sur divers exemples
La régression PLSDA (Discriminant Analysis)
Présentation et particularités de la PLSDA
Conditions d'utilisation
Construction d'un modèle PLSDA
Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
Validation externe
Les prévisions
Présentation et utilisation des aides à l'interprétation
Application sur divers exemples traités
- Applications
Analyses de spectres
Contrôle de procédés par lots (batch)
Contrôle statistique multidimensionnel MSPC
Introduction à l'analyse des données OMICS

Validation et sanction

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Type de formation

Non certifiante

Sortie

Sans niveau spécifique