We appreciate your efforts to help non-statisticians better understand statistics. I can tell you that through your videos with your clear and simple explanations, I was able to learn ACP and ACM.
merci pour cette vidéo, svp comment peut-on représenter les facteurs 1 et 3 sur le cercle de corrélation au lieu de réaliser seulement les facteur 1 et 22.
Bonjour, Merci pour ces belles explication sur l'ACP. S'il te plait, et sis on est en presence des données non normalisées ou non parametriques, comment peut on centrer et reduire les données?
J'ai bien compris, belle vidéo, je veux comprendre pourquoi sur le cercle de correlation entre variable tu as dit dimension 1 pour la ligne horizontale alors qu'on voit qu'il y est marqué dim2 à droite de la figure ? Merci
Bonjour, SVP c'est quelle type de corrélation vous avez calculer dans ce cas d'exercice? Pearson? Si je veux appliquer Spearman, comment dois je opérer?
Bonjour J'ai repris (copier coller) le code ci dessous pour l'exécuter mais il me renvoie ''Erreur dans 1:nrow(valeurspropres) : l'argument est de longueur nulle''. NB: toutes les étapes précédentes avec ma base de données sont correctes. Merci de m'aider à comprendre > barplot(valeurspropres[, 2], names.arg=1:nrow(valeurspropres), + main = "Pourcentage de la variance expliquée par chaque composante", + xlab = "Composantes principales", + ylab = "Pourcentage de la variance expliquee", + col ="steelblue") Erreur dans 1:nrow(valeurspropres) : l'argument est de longueur nulle
merci beaucoup mais suis bloquer sur une erreur depuis des jours je peux avoir de l'assistance svp ?? dans cette partie : # Créer un histogramme pour chaque variable quantitative for (var in names(acp_data)[vars_quantitatives]) { print(ggplot(acp_data, aes_string(x = var)) + geom_histogram(bins = 30, fill = "blue", color = "black") + theme_minimal() + labs(title = paste("Histogramme de", var), x = var, y = "Fréquence")) } voici l'erreur : Erreur dans parse(text = x, keep.source = FALSE) : :1:6: symbole inattendu 1: type of ^ Besoin d'aide svp!!!!😭😭😭😭😭
Bonjour merci beaucoup pour la vidéo déjà. Mais tu as fait une erreur d'interprétation à partir de 12:10 : Pour les courses en X mètres, plus la valeur de la variable est élevée, plus le score est mauvais car la valeur de la variable correspond au temps mis par l'athlète à courir. Donc 10 secondes est un meilleur score que 11. Donc à 18:10 par exemple en lisant la matrice de corrélation, cela dit plutôt que ceux qui ont une mauvaise performance au 100 mètres ont moins de points.
puisque notre objectif et de réduire la dimensionnalité des données alors après @@LeCoinStat ce que vous avez ajouté une variables supplémentaire comment on peut obtenir une nouvelle base après acp? merci pour votre retour
Les données et le code utilisés dans ce tutoriel sont disponibles ici : github.com/LeCoinStat/LeCoinStat/tree/main/ACPAvecR
merci
Une belle présentation
Merci mademoiselle pour vos vidéos de grandes qualité, voilà une belle mise à jour de R et du code très efficace
S'il vous plaît madame merci pour vos vidéos et de meilleures explications. Je peux avoir votre email ou numéro ?
Effectivement, ça va donner de l’ACP de grande qualité, merci !
We appreciate your efforts to help non-statisticians better understand statistics. I can tell you that through your videos with your clear and simple explanations, I was able to learn ACP and ACM.
we are waiting for a video that explains ACM in RStudio
Je prépare la vidéo pour la semaine prochaine. Stay tuned
🚀
Très bon cours. Il faut tenir compte de la position en 90° qui traduit la non corrélation des variables concernées!
Merci pour cet ajout
Merci beaucoup pour ce briant exposé.
De rien
pile ce qu'il me faut pour mon TP !
Ravie alors 😊
merci beaucoup pour les explications
Avec plaisir
❤❤❤❤❤
Merci à vous 😊
Excellente vidéo 🎉
Merci beaucoup 😁
comment on télécharger le fichier données
merci pour cette vidéo, svp comment peut-on représenter les facteurs 1 et 3 sur le cercle de corrélation au lieu de réaliser seulement les facteur 1 et 22.
Bonjour, Merci pour ces belles explication sur l'ACP. S'il te plait, et sis on est en presence des données non normalisées ou non parametriques, comment peut on centrer et reduire les données?
J'ai bien compris, belle vidéo, je veux comprendre pourquoi sur le cercle de correlation entre variable tu as dit dimension 1 pour la ligne horizontale alors qu'on voit qu'il y est marqué dim2 à droite de la figure ? Merci
Bonjour, SVP c'est quelle type de corrélation vous avez calculer dans ce cas d'exercice? Pearson? Si je veux appliquer Spearman, comment dois je opérer?
Bonjour
J'ai repris (copier coller) le code ci dessous pour l'exécuter mais il me renvoie ''Erreur dans 1:nrow(valeurspropres) : l'argument est de longueur nulle''. NB: toutes les étapes précédentes avec ma base de données sont correctes. Merci de m'aider à comprendre
> barplot(valeurspropres[, 2], names.arg=1:nrow(valeurspropres),
+ main = "Pourcentage de la variance expliquée par chaque composante",
+ xlab = "Composantes principales",
+ ylab = "Pourcentage de la variance expliquee",
+ col ="steelblue")
Erreur dans 1:nrow(valeurspropres) : l'argument est de longueur nulle
Merci pour cette belle vidéo, ça me sauve ! Sauf que mon logisciel ne veut pas installer FactoMineR :'( Auriez-vous une solution ?
merci beaucoup mais suis bloquer sur une erreur depuis des jours je peux avoir de l'assistance svp ??
dans cette partie : # Créer un histogramme pour chaque variable quantitative
for (var in names(acp_data)[vars_quantitatives]) {
print(ggplot(acp_data, aes_string(x = var)) +
geom_histogram(bins = 30, fill = "blue", color = "black") +
theme_minimal() +
labs(title = paste("Histogramme de", var), x = var, y = "Fréquence"))
}
voici l'erreur : Erreur dans parse(text = x, keep.source = FALSE) :
:1:6: symbole inattendu
1: type of
^
Besoin d'aide svp!!!!😭😭😭😭😭
Qualité de la vidéo à upgrade de ouf
Merci Jeannette
ma chérie, je suis amoureux de votre connaissance. vous venez de me sauver pour mes analyses multivariées en une nuit.
TKS U
You are welcome 😊
Bonjour merci beaucoup pour la vidéo déjà. Mais tu as fait une erreur d'interprétation à partir de 12:10 : Pour les courses en X mètres, plus la valeur de la variable est élevée, plus le score est mauvais car la valeur de la variable correspond au temps mis par l'athlète à courir. Donc 10 secondes est un meilleur score que 11. Donc à 18:10 par exemple en lisant la matrice de corrélation, cela dit plutôt que ceux qui ont une mauvaise performance au 100 mètres ont moins de points.
Merci pour cette vidéo claire. Continuez comme ça.
Merci David
Salut est qu on peut avoir les fichiers vous travaillez
Et comment mettre ces graphiques au format pdf ou word ?
pour la question 1)reponse b et pour la question 2)reponse b) dites moi si j'ai compris ou pas s'il vous plait
1- B
2-B
Tu resemble a une connaissances Darel ..
En tout cas merci pour la video
Avec plaisir 😁
merci pour la explication ms tu n as encore terminé démarche de l acp , la nouvelle base apres réduction
Je n'ai pas compris, quelle est la question?
puisque notre objectif et de réduire la dimensionnalité des données alors après @@LeCoinStat ce que vous avez ajouté une variables supplémentaire comment on peut obtenir une nouvelle base après acp? merci pour votre retour
Merci pour l'exposé. Mais juste une préoccupation si vous pouvez nous faire un petit aperçu du langage R car je suis un peu perdu. Merci
Je prépare la vidéo sur le Sujet Pierre. Je partage cela avec vous avant la fin de la semaine😇
La vidéo sur R est disponible ici: ruclips.net/video/AG4iFVJWvoE/видео.htmlsi=nUupbqRxKIJyvW2K
POUR QUOI r POUR QUOI PAS spss ou Xlstat????
Parce que SPSS et XLSTAT ne sont pas très utilisés.
Merci beaucoup pour ce briant exposé.
Merci pour ce retour Raissa ❤️