25
CHAPITRE III : RESULTATS ET DISCUSSIONS
1.1.2. L'analyse en composantes principales (ACP)
L'analyse en composantes principales nous a permis d'extraire de nombreuses informations
intéressantes de l'ensemble de données collectées.
Cette technique statistique multivariée permet de réduire la dimensionnalité des données en
identifiant les combinaisons linéaires les plus importantes parmi un ensemble de variables
environnementales
Tableau III.4 : Valeurs propres.
F1
F2
F3
F4
F5
F6
F7
F8
F9
Valeur propre
5,581
1,880
0,556
0,473
0,264
0,122
0,073
0,040
0,011
Variabilité (%) 62,007 20,884
6,175
5,259
2,936
1,354
0,811
0,447
0,127
% cumulé
62,007 82,891 89,066 94,325 97,261 98,615 99,426 99,873 100,000
Figure III. 2:Visualisation des données avec facteur
D’après le tableau III.4 et la figure III.2 on a constaté que les deux premières composantes
principales sont F1 et F2 car, elles représentent un pourcentage d’inertie de 62% et 20,88%
respectivement. D’ailleurs les deux facteurs représentent le meilleur plan de représentation
graphique avec un pourcentage d’inertie 82,89%.
0
20
40
60
80
100
0
1
2
3
4
5
6
F1
F2
F3
F4
F5
F6
F7
F8
F9
Variabilité
cumulée
(%)
Valeur
propre
axe
Scree plot