À propos de PCA
ACP : réduit le nombre de variables à quelques-unes. Graphique des valeurs propres, chargements, biplot. Hors ligne.
L'ACP (Analyse en Composantes Principales) transforme un tableau complexe de variables corrélées en quelques composantes clés qui en révèlent l'essentiel. Saisissez vos données et obtenez instantanément les valeurs propres, le graphique des valeurs propres (scree plot), la variance expliquée, les saturations factorielles et un biplot. Vous pouvez ainsi identifier les variables qui évoluent conjointement et déterminer le nombre de dimensions réellement nécessaires. Fonctionnement entièrement hors ligne.
Mesurez la taille, le poids, le tour de taille, le tour de poitrine et le tour de hanches : vous constaterez qu'ils évoluent majoritairement de la même manière, formant un seul et même concept sous-jacent : la « taille ». L'ACP détecte automatiquement ces corrélations cachées : elle transforme vos variables en de nouveaux axes (composantes principales) classés selon leur contribution à la variance expliquée. Ainsi, les premières composantes résument souvent la quasi-totalité des données.
Aucune inscription. Aucune connexion Internet requise. Aucune collecte de données. Des statistiques claires et instantanées.
FONCTIONNALITÉS
• Données : saisissez votre jeu de données dans une grille propre, une colonne par variable et une ligne par observation. Tout est recalculé en temps réel ; les lignes vides sont ignorées.
• Graphique des valeurs propres — visualisez les valeurs propres de chaque composante, de la plus grande à la plus petite, avec la droite de Kaiser à 1. Vous pouvez ainsi conserver les composantes au-dessus de cette droite ou vous arrêter au point d'inflexion où la chute se stabilise. Un biplot place les observations sur les deux premières composantes, les variables étant représentées par des flèches.
• Concept — Apprenez le fonctionnement de l'ACP, la signification des valeurs propres et des chargements, et comment la variance est partagée entre les composantes, grâce à des formules hors ligne, élégamment mises en page et sans chevauchement.
• Simulation — Créez des données corrélées à partir de quelques facteurs cachés, définissez la force de corrélation, le nombre de variables, de facteurs et d'observations à l'aide des curseurs +/-, et observez le graphique des valeurs propres indiquer précisément le nombre de composantes restantes.
• Exemples — Chargez des jeux de données prêts à l'emploi (mensurations corporelles, voitures, etc.) en un clic.
CONTENU
• Valeurs propres et pourcentage de variance expliquée par chaque composante.
• Graphique des valeurs propres avec la droite de Kaiser (valeur propre > 1). • Chargements des composantes : comment chaque variable d'origine alimente chaque composante.
• Un biplot des observations et des flèches des variables.
POURQUOI VOUS L'AIMEREZ
• Visualisez les dimensions : le graphique d'éboulis indique le nombre réduit de composantes nécessaires.
• Lisez les chargements : identifiez les variables qui partagent une composante et pointent dans la même direction.
• Fonctionnement entièrement hors ligne : toutes les valeurs propres, tous les graphiques et toutes les formules sont accessibles sans connexion.
• Prise en main facile : saisissez des données exactes ou créez des données corrélées à l'aide des curseurs et des potentiomètres +/-.
• Design épuré « Turquoise profond », agréable à l'œil.
• Respect de la vie privée : vos données restent sur votre appareil.
Que vous soyez étudiant découvrant les valeurs propres, analyste de données réduisant la dimensionnalité avant la modélisation ou toute personne cherchant à interpréter de nombreuses mesures corrélées, l'ACP transforme un tableau complexe en une représentation claire et concise en quelques secondes.
Téléchargez l'application, collez vos variables et constatez le nombre réduit de dimensions nécessaires.
What's new in the latest 1.0
Informations PCA APK
Vieilles versions de PCA
Téléchargement super rapide et sûr via l'application APKPure
Un clic pour installer les fichiers XAPK/APK sur Android!






