1. Grâce à ce formulaire vous pouvez proposer une astuce ou un script sur R.
  2. Votre script doit pouvoir être lancé en l'état. Veuillez penser à :
    • inclure le chargement des "library" nécessaires
    • construire un petit jeu de données si besoin est.
    • commenter les lignes de codes pour en faciliter la compréhension.
  3. Le titre de votre script ou astuce doit être clair et explicite.
  4. Pensez à mettre votre code entre les balises [R] et [/R]; Pour cela, vous pouvez utiliser le bouton

Vous pouvez utiliser vos comptes Facebook, twitter ou google pour vous identifer (google est compatible yahoo, openID...)
L'ideal étant de vous connecter si vous avez un compte utilisateur, ou faire une demande de compte utilisateur si vous n'en avez pas encore.
Créer un compte va vous permettre de pouvoir éditer vos codes et de mettre en avant votre site internet.
Sinon vous pouvez soumettre anonymement en remplissant les champs ci-après.







Choisissez les catégories correspondantes à votre Code:

  • algorithmique
  • Analyse de survie
  • base indispensable
  • bayésien
  • configuration de R
  • exportation de données
  • fonctions utiles
  • graphique
  • importation de données
  • inférence
  • manipulation de données
  • message d'erreur
  • modélisation
  • Non classé
  • optimisation
  • planification
  • programmer avec R
  • regression linéaire
  • Test
  • Transformation de données


Comment faire une Analyse en Composantes Principale (ACP) sur R ? PCA, plot.PCA

0
dans fonctions utiles, manipulation de données

La fonction PCA() permet d’effectuer une ACP.

 
library(FactoMineR)
res_pca <- PCA (iris, quali.sup=5)
#On réalise une ACP sur les 4 variables quantitatives du jeu de données iris
#La 5<sup>ème</sup> variable qui correspond au nom de la variété est qualitative
#Nous plaçons cette variable en supplémentaire,
#cette variable ne participera donc pas à la construction de l’ACP,
#mais elle apportera de l’information supplémentaire
 
plot.PCA(res_pca,col.quali="blue", label="quali")
#La fonction plot.PCA contient de nombreux paramètres modulables
#ici nous choisissons la couleur de la variable qualitative
#et de cacher l’étiquette des individus grâce au paramètre « label »
 
 

Pour pouvoir décrire les résultats de cette analyse nous avons besoin d’étudier les coefficients de corrélation. On obtient ces coefficients grâce à la fonction dimdesc().

 
dimdesc(res_pca)
 
 

Proposé par Helene F.

Ce script vous à rendu service? remerciez l'auteur en votant ici:
- ça ne sert à rien -- c\'est interessant - (score de 0 sur 2 votes)
Loading ... Loading ...

Poster un commentaire


Votre email ne seras jamais communiqué champs requis désigné par une *

*
*


+ neuf = 10

Formation logiciel R