JMP 13 introduit une multitude de nouvelles fonctionnalités intéressantes pour les clients JMP. L'une des fonctionnalités les plus attendues était la plate-forme Text Explorer, qui permet aux analystes de comprendre la structure des données textuelles. Le buzz autour de Text Explorer est certainement justifié car la plate-forme a le potentiel de révéler des informations objectives à partir d'une multitude d'entrées de texte qui seraient autrement impossibles à détecter pour un individu (en particulier lorsque l'analyse implique des milliers ou des millions de sources de texte).
Alors que les clients JMP continuent de profiter de Text Explorer, l'équipe de développement de JMP s'est efforcée de simplifier l'utilisation de la plate-forme et d'améliorer l'interprétabilité des résultats. Ces améliorations se concentraient spécifiquement sur l'analyse sémantique latente et l'analyse thématique et sont disponibles dans JMP Pro 13.2. Dans cet article, je décris ces efforts et souligne comment les changements facilitent l'utilisation et l'interprétation de la plate-forme Text Explorer par les analystes.
Une métamorphose
Analyse sémantique latente et Analyse du sujet sont deux approches d'analyse de texte. Auparavant, ces analyses étaient réalisées dans JMP via un décomposition en valeurs singulières (SVD) de la matrice de termes de document (DTM) « Centré et mis à l'échelle », « Centré » ou « Non centré ». Le DTM est une matrice dérivée de vos données textuelles, qui résume le nombre de termes dans et entre les documents texte. Le SVD sur le DTM a donné des résultats perspicaces, permettant aux utilisateurs de JMP Pro d'identifier les dimensions clés (c'est-à-dire les vecteurs singuliers) sous-jacentes à leurs données textuelles et les valeurs qui décrivent la signification de ces dimensions (c'est-à-dire les vecteurs singuliers de terme ou de document).
Figure 1. The new look of Latent Semantic Analysis and Topic Analysis, with more intuitive labels and values.Figure 1. The new look of Latent Semantic Analysis and Topic Analysis, with more intuitive labels and values.Figure 1. The new look of Latent Semantic Analysis and Topic Analysis, with more intuitive labels and values.Figure 1. The new look of Latent Semantic Analysis and Topic Analysis, with more intuitive labels and values.Figure 1. Le nouveau look de l'analyse sémantique latente et de l'analyse thématique, avec des étiquettes et des valeurs plus intuitives.
Une amélioration clé de la plate-forme - implémentée dans 13.2 - consistait à faire le SVD du DTM "centré et mis à l'échelle" ou "centré" divisé par N-1 (N = nombre total de lignes dans le DTM), ou juste N si les utilisateurs sélectionnent l'option de mise à l'échelle « non centrée ». Il est important de noter que la division du DTM par une constante (N-1 ou N) ne modifie pas le modèle de résultats dans la plate-forme, mais rend les estimations résultantes beaucoup plus interprétables.
Interprétabilité améliorée
Grâce à la division du DTM par N-1 ou N, l'analyse sémantique latente est désormais identique à Analyse en composantes principales (APC). De même, l'analyse de sujet est désormais identique à une PCA avec rotation (voir la figure 2 pour sélectionner la sortie des deux plates-formes). Ainsi, les vecteurs singuliers de termes sont désormais identiques aux chargements dans un contexte PCA et sont par conséquent étiquetés « chargements de sujets de terme ». Lorsque les utilisateurs sélectionnent "Centré et mis à l'échelle" comme option de mise à l'échelle dans Text Explorer (qui est la valeur par défaut), les résultats sont identiques à une PCA d'une matrice de corrélation. De même, lorsque "Centré" est choisi, les résultats sont parallèles à ceux de l'ACP d'une matrice de covariance, et lorsque "Non centré" est sélectionné, les résultats seront identiques à ceux de l'ACP d'une matrice non mise à l'échelle.
Figure 2. Side-by-side comparison of Topic Analysis and Rotated Principal Components Analysis, which can be accessed through the "Factor Analysis" option in the Principal Components platform.Figure 2. Side-by-side comparison of Topic Analysis and Rotated Principal Components Analysis, which can be accessed through the "Factor Analysis" option in the Principal Components platform.Figure 2. Side-by-side comparison of Topic Analysis and Rotated Principal Components Analysis, which can be accessed through the "Factor Analysis" option in the Principal Components platform.Figure 2. Side-by-side comparison of Topic Analysis and Rotated Principal Components Analysis, which can be accessed through the "Factor Analysis" option in the Principal Components platform.Figure 2. Comparaison côte à côte de l'analyse thématique et de l'analyse des composantes principales pivotées, accessibles via l'option "Analyse factorielle" de la plate-forme des composantes principales.
Pourquoi ces changements sont-ils passionnants ?
Connaissez-vous l'APC ?Vous pouvez désormais traduire tout ce que vous savez sur l'ACP en analyse de texte. Voici quelques exemples:
- Sélection du meilleur nombre de sujets : Toutes les lignes directrices de l'APC peuvent maintenant être utilisées pour sélectionner un nombre approprié de sujets. Par exemple, chercher le coude sur un parcelle d'éboulis des valeurs singulières au carré (alias valeurs propres), ou en additionnant le pourcentage de variance expliquée des valeurs singulières au carré jusqu'à atteindre un pourcentage raisonnable, ou une autre méthode de choix.
- Comprendre l'importance des sujets : Ce que l'on appelait autrefois les « portions de sujet » s'appelle désormais la « variance expliquée par chaque sujet ». Les valeurs sont les mêmes mais maintenant l'interprétation des valeurs est plus intuitive. Si votre premier sujet explique 40 % de la variance de vos données, alors vous savez que ce sujet est très pertinent dans vos documents.
- Interpréter le sens d'un sujet : Lorsque "Centré et mis à l'échelle" ou "Centré" sont sélectionnés comme options de mise à l'échelle (rappelez-vous qu'elles sont équivalentes à PCA sur la corrélation et sur les covariances, respectivement), les chargements de termes de sujet représentent la corrélation du terme particulier avec le sujet sous-jacent. Ainsi, les valeurs élevées (approchant 1) pointent vers un terme très caractéristique du sujet.
- Dérivation de nouvelles variables pour une analyse plus approfondie : Tout comme vous pouvez calculer les scores des composants dans PCA pour effectuer des analyses secondaires, vous pouvez calculer les scores de sujet de document (précédemment appelés vecteurs singuliers de document), qui contiennent la grande majorité des informations de votre DTM mais dans une structure beaucoup plus concise.
La pierre de Rosette
Pour faciliter davantage la traduction entre l'analyse sémantique latente/l'analyse thématique et l'ACP/l'ACP pivotée, j'ai créé l'illustration suivante, que j'appelle la pierre de Rosette de Text Explorer (comme dans le Pierre égyptienne qui a aidé les historiens à comprendre les hiéroglyphes). J'inclus des panneaux pour les plates-formes Text Explorer et PCA avec des mots-clés utilisés dans les rapports qui ont une signification équivalente, et j'inclus un panneau pour l'analyse factorielle car un cas particulier d'analyse factorielle est identique à l'ACP avec rotation (le cas des communalités == 1, voir mon article sur ce sujet ).
Figure 3. The Rosetta stone of Text Explorer, Principal Components, and Factor Analysis platforms. Keywords in each panel are equivalent to those in the same row of other panels. *Not available in the platform as these aren’t normally used.Figure 3. The Rosetta stone of Text Explorer, Principal Components, and Factor Analysis platforms. Keywords in each panel are equivalent to those in the same row of other panels. *Not available in the platform as these aren’t normally used.Figure 3. The Rosetta stone of Text Explorer, Principal Components, and Factor Analysis platforms. Keywords in each panel are equivalent to those in the same row of other panels. *Not available in the platform as these aren’t normally used.Figure 3. The Rosetta stone of Text Explorer, Principal Components, and Factor Analysis platforms. Keywords in each panel are equivalent to those in the same row of other panels. *Not available in the platform as these aren’t normally used.Figure 3. La pierre de Rosette des plateformes Text Explorer, Principal Components et Factor Analysis. Les mots clés de chaque panneau sont équivalents à ceux de la même ligne des autres panneaux. *Non disponible sur la plateforme car ils ne sont normalement pas utilisés. La figure 3 permet de voir comment le jargon d'une plate-forme se rapporte au jargon de l'autre.
Alors ne tardez pas à mettre à jour à JMP Pro 13.2 et profitez de cette amélioration et d'autres pour JMP !
