# Réalisez une ACP et représentez-la correctement

> Importez un tableau de mesures. Yila standardise les variables, réalise l’analyse en composantes principales et trace le graphique des scores, le diagramme des éboulis et un biplot lisible, avec les loadings et le script.

URL: https://yila.ai/fr/playbooks/pca-plot

## Ce que vous obtenez

- **Le graphique des scores** (PNG + SVG): Le plan PC1–PC2 avec la variance expliquée sur chaque axe, les points colorés par groupe et des ellipses de confiance à 95 %.
- **Le diagramme des éboulis** (PNG + SVG): La variance expliquée par chaque composante, individuelle et cumulée, pour justifier le nombre de composantes à retenir.
- **Le biplot et les loadings** (Figure + CSV): Des flèches pour les variables qui contribuent le plus, ainsi que le tableau complet des loadings pour chaque composante.
- **Le script** (Script Python): L’analyse complète en Python (ou en R sur demande), avec le prétraitement écrit en clair.

## Les étapes

1. **Importez le tableau et nommez les groupes**: Donnez à Yila un fichier CSV ou Excel contenant les mesures et indiquez la colonne à utiliser pour les couleurs. Les groupes ne servent qu’à colorer les points, pas au calcul de l’ACP.
2. **Yila vérifie les variables et leur échelle**: Il examine les unités et les plages de valeurs, standardise les variables mesurées sur des échelles différentes et signale les valeurs manquantes avant de lancer l’ACP.
3. **Récupérez les trois graphiques et les loadings**: Le graphique des scores, le diagramme des éboulis et le biplot sont générés, vérifiés, puis enregistrés avec les loadings et le script. Demandez le plan PC1–PC3, des étiquettes sur les points ou une vue en 3D dans la même conversation.

## Utile pour

- **Omique et métabolomique**: Voyez si les échantillons se regroupent par traitement ou par lot avant l’analyse différentielle.
- **Chimie et sciences des aliments**: Montrez comment les échantillons se séparent selon de nombreuses propriétés mesurées à la fois, et quelles propriétés expliquent cette séparation.
- **Données d’enquêtes et de questionnaires**: Réduisez de nombreux items corrélés à quelques composantes et voyez quels items vont ensemble.

## Questions fréquentes

### Que montre un graphique d’ACP ?

L’analyse en composantes principales transforme de nombreuses variables corrélées en quelques composantes non corrélées, classées selon la part de variance qu’elles expliquent. Le graphique des scores place chaque échantillon sur les deux premières composantes : les échantillons globalement semblables se retrouvent proches les uns des autres.

### Faut-il standardiser les variables ?

Oui, lorsqu’elles sont mesurées dans des unités ou sur des plages différentes ; sinon, la variable aux valeurs les plus grandes domine. Dans l’exemple, la proline se chiffre en centaines et la teinte avoisine 1 : les treize variables ont donc été standardisées. Pour des variables sur une même échelle, Yila peut les laisser telles quelles en vous expliquant pourquoi.

### Combien de composantes faut-il retenir ?

Le diagramme des éboulis et la variance cumulée vous guident : les règles courantes sont le coude de la courbe, un objectif comme 80 % de la variance, ou les composantes dont la valeur propre dépasse 1. Yila indique ces repères et vous laisse choisir.

### Que représentent les ellipses de confiance ?

Chaque ellipse couvre la région où l’on attend 95 % des scores d’un groupe, sous une hypothèse de normalité bivariée. Elles aident à montrer la séparation, mais ne constituent pas un test statistique.

### L’ACP permet-elle de tester si des groupes diffèrent ?

Non. L’ACP est descriptive. Si les groupes se séparent et que vous voulez un test, demandez une PERMANOVA ou une analyse discriminante : Yila l’ajoute.

### R ou Python ?

Les deux. L’exemple a été réalisé en Python avec scikit-learn ; en R, Yila utilise prcomp avec ggplot2 ou factoextra.

### D’où viennent les données de l’exemple ?

Du jeu de données ouvert Wine (Aeberhard et Forina), publié sous licence CC BY 4.0 sur l’UCI Machine Learning Repository. Yila n’utilise jamais les données de ses utilisateurs comme exemples.

---

- [Réalisez une ACP et représentez-la correctement](https://yila.ai/fr/playbooks/pca-plot)
- [llms.txt](https://yila.ai/fr/llms.txt)
