Analyse des données lorsque beaucoup plus de colonnes que de lignesBonjour tout le monde
Je voudrais demander votre aide car j'ai un ensemble de données avec:
- en colonnes, paramètres de procédé d'une ligne de production d'acier galvanisé
- en rangées, les bobines qui ont été traitées sur cette ligne de production
L'objectif est de corréler une quantité de défauts apparaissant sur une bobine à un ou plusieurs paramètres du procédé.
Malheureusement, j'ai un ensemble de données avec beaucoup plus de colonnes (407) que de lignes (63).
Avez-vous des conseils sur la façon de procéder?
AnalytiqueRe : Analyse des données lorsque beaucoup plus de colonnes que de lignesBonjour @stephaneorges ,
Il existe de nombreuses options, selon que vous utilisez JMP ou JMP Pro.
Avant de passer directement à l'analyse, je visualiserais les corrélations entre les paramètres de processus et entre les paramètres de processus et la réponse (défauts), car cela pourrait donner une indication sur les variables corrélées et les entrées influentes pour l'analyse des défauts (plate-forme "Multivarié" dans Analyse -> méthodes multivariées).
Ensuite, quelques options à considérer :
- JMP :
- Une première approche pourrait être de faire une analyse en composantes principales (ACP), puis d'essayer de modéliser la réponse par défaut avec ces paramètres de l'ACP. Mais cette approche vous fera perdre une certaine explicabilité sur les facteurs qui ont un impact sur les valeurs par défaut, car ils seront combinés dans les variables PCA.
- Une autre option serait d'essayer les moindres carrés partiels (PLS), une approche très efficace lorsque vous traitez un grand nombre de variables corrélées et très peu d'observations. Il est par exemple utilisé dans l'analyse spectrale, où vous avez peu d'observations mais beaucoup de données d'entrée (transmittance/intensité pour chaque longueur d'onde par exemple).
- Ce qui peut également être intéressant, c'est d'essayer le dépistage prédictif pour avoir un aperçu des facteurs les plus importants.
-JMP Pro :
- Au lieu du dépistage Predictor, vous pouvez essayer "Random Forest", où vous aurez beaucoup plus d'informations sur le modèle et la possibilité d'enregistrer la formule. Étant donné que RF utilise le bagging de caractéristiques pour chaque arbre, vous pouvez être sûr que même en cas de multicolinéarité et plus de paramètres que d'observations, chaque paramètre aura la même probabilité d'être sélectionné dans un arbre, vous aurez donc une bonne vue sur quels facteurs impact sur les valeurs par défaut.
- Vous pouvez également consulter les modèles de régression généralisée avec des méthodes d'estimation pénalisées telles que Lasso, Ridge ou Elastic Net.
Ce sont les modèles/techniques que j'essaierais d'abord avant d'essayer des méthodes plus complexes.
Je laisse les experts de cette communauté compléter mes réponses 
J'espère que cela t'aidera,
