https://github.com/camara94/acm

Ce page regroupe du matériel pédagogique pour des enseignements des techniques factorielles, essentiellement l’analyse en composantes principales (ACP), l’analyse factorielle des correspondances (AFC), l’analyse des correspondances multiples (ACM), l’analyse factorielle des données mixtes (AFDM) et le positionnement multidimensionnel (multidimensional scaling – MDS).
https://github.com/camara94/acm

acm data-acquisition data-analysis-python data-mining python

Last synced: 2 months ago
JSON representation

Ce page regroupe du matériel pédagogique pour des enseignements des techniques factorielles, essentiellement l’analyse en composantes principales (ACP), l’analyse factorielle des correspondances (AFC), l’analyse des correspondances multiples (ACM), l’analyse factorielle des données mixtes (AFDM) et le positionnement multidimensionnel (multidimensional scaling – MDS).

• Host: GitHub
• URL: https://github.com/camara94/acm
• Owner: camara94
• Created: 2021-05-12T06:08:17.000Z (about 4 years ago)
• Default Branch: main
• Last Pushed: 2021-05-12T06:57:34.000Z (about 4 years ago)
• Last Synced: 2025-04-09T15:12:10.872Z (2 months ago)
• Topics: acm, data-acquisition, data-analysis-python, data-mining, python
• Language: Jupyter Notebook
• Homepage:
• Size: 2.02 MB
• Stars: 1
• Watchers: 1
• Forks: 1
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Analyse des correspondances multiples (ACM)

## C'est quoi l'ACM

L'analyse des correspondances multiples (ACM) est une extension de l'analyse des correspondances (CA). Il doit être utilisé lorsque vous avez plus de deux variables catégorielles. L'idée est simplement de calculer la version encodée à chaud d'un ensemble de données et d'y appliquer CA. À titre d'exemple, nous allons utiliser le jeu de données [Balloons tiré](https://archive.ics.uci.edu/ml/machine-learning-databases/balloons/) du site Web des jeux de données UCI.

## Les types de données utilisées pour l'ACM

decrivons d'abord à quel tableau s'applique l'analyse des correspondances multiples(ACM): l'ACM s'applique aux tableaux rectanglaire avec J le nombre de variables qualitatives , I le nombre d'observations ou encore le nombre d'individus et xij : modalité de la variable où I personne sont intérogées sur J questions à choix multiples.

## Description de notre dataset

nous avons appliquées notre ACM sur une base de donnée qui contient 8 portraits robots

avec les variables suivantes: 

1. **lunettes**(a:absence, A: presence), 

2. **cheveux**(b:courts, B: longs), 

3. **barbe**(c: absence, C: longues, k: daltonien), 

4. **mouchetache**(d: abasence,D:petite, m:moyenne, T: grosse) 

   

## Image de notre dataset

![dataset robo](db.png)

## Explication d'une modalité

en ACM, on a la notion de tableau dijonctif complet qui signifie que dans chaque modalité on veut qu'une seule fois un(1) cet un obligatoire

![modalite](modalites.png)

## Le tableau Dijonctif

![tdc](tableaudijonctioncomplet.png)

## La répresentation graphique

![representation graphique](representationgraphique.png)

## Objectif de l'ACM

![objectif 1](objectifacm.png)

![objectif 2](objectifacm2.png)