Méthodes PLS

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 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