Méthodes PLS
Date de mise à jour :
Identifiant Offre Info : 03_2100818F
Organisme responsable :
Data Value
(ouvre dans un nouvel onglet)
Présentation de la formation
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…
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).
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 œuvre avec l'algorithme NIPALS Représentation géométrique Approche algébrique Mise en œuvre…
- 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
- Particularités de l'ACP mise en œuvre avec l'algorithme NIPALS
- Représentation géométrique
- Approche algébrique
- Mise en œuvre
- Analyse
- Utilisation des aides à l'interprétation
- Exemples d'utilisation traités
- 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
- 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
- Analyses de spectres
- Contrôle de procédés par lots (batch)
- Contrôle statistique multidimensionnel MSPC
- Introduction à l'analyse des données OMICS
Validation et sanction
- Connaître les différents étapes de la méthode l'Analyse en Composantes Principales avec la mise en œuvre 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 œuvre 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
Type de formation
Non certifiante
Niveau de sortie
Sans niveau spécifique
Durée, rythme, financement
Modalités pédagogiques
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.
Durée
En centre
14 h
Financement
- Conventionnement
- Non
- Financeurs
-
- Bénéficiaire de l'action
- Entreprise
Conditions d'accès
Public visé
- Tout public
Informations sur les publics
Toute personne souhaitant réaliser l'analyse de données issues d'un fichier présentant des déséquilibres.
Niveau d'entrée
Sans niveau spécifique
Conditions spécifiques et prérequis
Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation "analyse des données : méthodes exploratoires (ACP, AFC, classification)" ou d'avoir atteint par la pratique un niveau équivalent
Lieu de réalisation de l'action
Modalités d'enseignement
Formation entièrement en présentielle
Adresse
33 Rue de la République69002 Lyon 2e
Responsable : ASI
Périodes prévisibles de déroulement des sessions
Début
Fin
- Adresse d'inscription
-
41 rue de la Découverte
31676 Labège - État du recrutement
- Ouvert
- Modalités
- Entrées / Sorties à dates fixes