Tag Archives: ACM

ACT6100

ACT6100, analyse non-supervisée

Leave a comment

On avance tranquillement dans le cours ACT6100 d’analyse des données en actuariat. Les supports de cours sont en ligne sur https://github.com/freakonometrics/ACT6100. Cette session (mais aussi celle d’hiver) étant en distanciel, le cours est asynchrone, et je poste régulièrement des capsules vidéos. Les capsules présentant les principales méthodes d’analyse non-supervisée sont en ligne

  1. ACP (1) (PCA) video pdf (48:42)
  2. ACP (2) video pdf (31:10)
  3. ACP (3) video pdf (47:51)
  4. ACP (4) video pdf (39:59)
  5. ACP (5) video pdf (28:53)
  6. CA (1) video pdf (38:33)
  7. CA (2) video pdf (46:51)
  8. MCA (1) video pdf (28:03)
  9. Clusters (k-means) video pdf (48:20)
  10. Clusters (CAH) video pdf (37:38)
  11. NA & Imputations (k-nn) video pdf (17:47)
  12. NA & Imputations (ACP) video pdf (15:28)

Si les liens des vidéos ne marchent pas, je renvoie vers l’ensemble des capsules du cours, ici.

M1-Data Science

Analyse des Correspondances, suite

Leave a comment

Hier soir, on voyait comment faire une analyse des correspondances à partir du tableau de contingence. Mais on peut avoir le problème autrement, à partir des individus. Certes, ces derniers ne sont pas observés (vraiment), mais peu importe.

> data(HairEyeColor)
> N = HairEyeColor[,,"Male"] + HairEyeColor[,,"Female"]
> Hair = rep(rep(rownames(N),ncol(N)),
+ as.vector(N))
> Eye =  rep(colnames(N),apply(N,2,sum))
> df = data.frame(Ind=1:sum(N),Hair,Eye)
> tail(df)
    Ind  Hair   Eye
587 587 Blond Green
588 588 Blond Green
589 589 Blond Green
590 590 Blond Green
591 591 Blond Green
592 592 Blond Green

Continue reading Analyse des Correspondances, suite →

M2-ADD

AFC (ou ACM) avec XLstat

Leave a comment

L’analyse factorielle (simple ou multiple) se fait très simplement avec XLStat. On notera juste la fonction suivante, qui permet de constituer le tableau de contingence.Il s’agit d’une étape de traitement des données. Pour les bases, on traitera en TD base1 (CSP et vacances, cf ci-dessous) et base2 (base culture). Je mets également un lien vers les bases base3 (logement étudiants), base4 (les naufragés du Titanic), ou enfin base5 (lien entre la CSP et le niveau d’étude).

Lors du TD, nous reviendrons en particulier sur l’analyse factorielle (simple) à partir de la base insee de 1967, sur le lien entre CSP et lieux de vacances,

M2-ADD

Analyse des Correspondances Mutiples

Leave a comment

Les slides de la troisième partie sont en ligne sur mon blog.

Parmi les cours en ligne, je renverrais aux nombreuses notes de cours de François-Gilles Carpentier, à Brest, ou celles de Rudy Palm à Gembloux. Sur les bases présentées en cours, il y a la base des survivants du Titanic, mais aussi une étude sur le tri des déchets, inspirée de l’INSEE (Insee Premier 684, ici). Sinon, pour accéder aux bases de données, les codes R sont les suivants,

etudiants<-read.table("https://perso.univ-rennes1.fr/arthur.charpentier/Etudiants-ville.csv",header=TRUE,sep=";")
titanic<-read.table("https://perso.univ-rennes1.fr/arthur.charpentier/titanic.csv",header=TRUE,sep=",")

Enfin, les bases de données qui seront utilisées en TD sont les suivantes,

library(Hmisc);  culture=spss.get("https://perso.univ-rennes1.fr/arthur.charpentier/Culture.sav")