Salut tout le monde!
Je travaille avec l'analyse en composantes principales de données spectrales (FTIR). Pour cela, j'utilise la plateforme Functional Data Explorer. J'ai quelques questions sur les résultats chargés après l'analyse :
1. Quels seraient les critères permettant d'identifier le meilleur modèle ? Diagrammes de diagnostic vs. valeurs propres
Avant de faire l'ACP, j'ajuste certains modèles (B-spline, P-spline et PCA fonctionnelle directe) pour voir lequel conviendrait le mieux à mes données.
Comme vous le savez, le logiciel lance des tracés de diagnostic du modèle et de l'ACP. Pour la P-spline, je pense avoir des tracés de diagnostic légèrement meilleurs que l'ACP directe (veuillez vous référer au fichier ppt ci-joint), mais mes 2 composantes principales n'expliquent que 78% de la variation, alors qu'avec l'ACP directe mes 2 PC expliquent 99%. Je ne sais donc pas comment décider lequel est le meilleur ?
2. Les fonctions de forme sont-elles les mêmes que les tracés de chargement ?
Fonction de forme ACP directe :
Fonction de forme P Spline :
J'aimerais vérifier si mon interprétation est correcte. Je crois que les fonctions de forme sont les tracés de chargement pour mon analyse PCA, n'est-ce pas ? Est-il correct de dire que les fonctions de forme 1 et 2 expliquent les nombres d'ondes qui ont eu la plus grande contribution sur mon groupement PCA ?
Et juste pour ma curiosité... y a-t-il une raison pour laquelle les fonctions de forme pour la spline P semblent un peu « bosselées » alors que pour la spline B et la PCA directe, elles semblent lisses ?
Merci!
Salut @Mariana_Aguilar ,
Pour donner suite à vos questions :
- Il existe plusieurs mesures que vous pouvez utiliser pour mieux évaluer, comparer et sélectionner des modèles, et elles peuvent être différentes en fonction de votre objectif.
Pour la plateforme Functional Data Explorer, plusieurs critères d'information sont affichés : AICc, BIC et GCV : Options du rapport d'ajustement du modèle . Ces mesures sont utilisées pour comparer et sélectionner le modèle avec le critère d'information le plus bas (meilleur compromis entre précision/performance prédictive et complexité). Voir Rapport sur le modèle d'extension de fonction de base pour avoir plus d'informations sur la sélection du modèle.
Visuellement, les tracés de diagnostic sont également très utiles. Dans votre fichier joint, il semble que les P-Splines font un meilleur travail que Direct PCA, qui pourrait trop lisser et simplifier le signal à partir de données spectrales (comme avec les B-Splines, qui sont des modèles de splines polynomiales). Étant donné que le signal semble (trop) simplifié avec Direct PCA, cela peut expliquer pourquoi vous êtes capable d'expliquer 99 % de la variation avec 2 PC fonctionnels avec ce modèle. Selon le type de modèle que vous ajustez (B-, P-Splines, modèles directs, ondelettes, ...), la complexité (et les performances prédictives) seront différentes et conduiront à des complexités différentes des fonctions de forme.
Sur les données spectrales, je recommanderais également d’essayer les modèles de la famille Wavelets.
- Les fonctions de forme sont des composantes principales fonctionnelles, elles permettent donc de comprendre visuellement quelle zone de vos données spectrales est la plus importante à distinguer et d'expliquer les différences entre vos échantillons. Mais plusieurs fonctions de forme peuvent être liées à la même zone spectrale, de sorte que les influences/importances ne sont pas aussi directes à évaluer.
J'espère que cette réponse vous aidera,
Merci beaucoup Victor !
Dans les fonctions de forme, le graphique de gauche indique la fonction moyenne... puis-je comprendre pourquoi l'axe Y de ce graphique est « données » alors que pour les deux autres c'est « poids » ?
Et une autre question, existe-t-il un moyen d'exporter ces graphiques vers Excel ? C'est pour que je puisse les mettre au même format que le reste de mon matériel.
Merci:)
