Régression PLS par Groupe Arkesys

APPRÉHENDER LES MÉTHODES DITES CLASSIQUES ET SAVOIR IDENTIFIER LES PROBLÉMATIQUES RENCONTRÉES
-Régression linéaire multipleContexte d'application
Mise en oeuvre et analyse des résultats
Qualité d'ajustement et qualité de prédiction
Problème des multi
- colinéarités
Traitement de la colinéarité : sélection de variables / méthodes de régression adaptées (PCR, régression de Ridge, PLS)
Quelle méthode dans quel contexte et pourquoi
-ACP/n
?Contexte d'application
Matrice des corrélations, de variance
- covariance
Réduction de dimension et projection
Concepts mathématiques
Définition des axes factoriels et inertie
Contribution des individus et des variables aux axes (représentations graphiques, contributions, cosinus )
-ACC
Contexte d'application
Réduction de dimension et projection
Analyse des résultats : exploration de la relation entre deux ensembles de données quantitatives
-AFD
Contexte d'application
Objectif : classification / classement
Analyse des résultats et représentations graphiques
-Problématiques liées à ces différentes analyses de données
NOTIONS FONDAMENTALES DE LA RÉGRESSION PLS
-Contexte d'utilisation
-Comparaison des différentes méthodes de régression pour des données colinéaires : PCR, régression de Ridge et PLS
-Avantages et inconvénients de chaque méthode
-Notion de variables latentes
-Principes et concepts mathématiques inhérents à la PCR
-Principes et concepts mathématiques inhérents à la régression PLS
-Mise en oeuvre et analyse des résultats de la régression PLS avec une seule variable explicative
METTRE EN OEUVRE LA RÉGRESSION PLS
-Les différentes versions de la régression PLS : PL1, PLS2 version canonique, PLS2 version régression, PLS version discriminante (PLS
- DA)/n
-Analyse des sorties logicielles : graphiques, coefficients du modèle...
-Composantes t et u
-Coefficients de régression w, c et p
-Qualité d'ajustement, qualité de prédiction (validation croisée)
-Coefficients Q et R
-Importance des variables explicatives pour la prédiction : VIP et sélection des variables explicatives
-Choix du nombre de composantes
Critère d'ajustement des données ( FIT )
Critères de prédiction interne des données ( validation croisée , Q )
Critère de prédiction externe sur un jeu de données test ( validation externe )
-Mise en oeuvre et analyse des résultats des différentes méthodes
PLS1/n
?PLS2 version canonique et version régression
PLS
- DA (vers

A l'issue de cette formation, l'apprenant sera capable de :
-D'identifier le contexte général d'utilisation de la régression PLS
-De connaître les concepts mathématiques inhérents à la régression PLS
-De mettre en oeuvre les différentes analyses
-D'interpréter les résultats de chaque méthode et d'analyser les différents graphiques qui en découlent
-De connaître les coefficients permettant d'estimer la qualité du modèle
-De quantifier la contribution de chaque variable (VIP, graphiques...)
-De comprendre la différence entre qualité d'ajustement et qualité de prédiction (d'estimation des coefficients) sur un modèle de type Régression