Index

A

ACM ACM : interprétation ACM : solution ACM : inclusion de variables quantitatives AFCB AFCB : relation entre analyses AFD AFD : choix du nombre d'axes AFD : étape décisionnelle AFD : solution

AFD : données AIC aides à l'interprétation Algorithme EM Analyse des correspondances Analyse des correspondances multiples Analyse en composantes principales Analyse en composantes principales : données Analyse factorielle des correspondances Analyse factorielle des correspondances binaires Analyse factorielle discriminante

B

BIC

C

CAH Centres mobiles choix du nombre d'axes Classes déséquilibrées Classification : validité

Classification ascendante hiérarchique Classification spectrale Critère d’information bayésien Critère d’information d’Akaike Critères de choix de méthode de modélisation

D

Décision et généralisation Données aberrantes Données inadaptées Données manquantes, [1] choix de paramètres imputation imputation par la médiane imputation par la moyenne imputation par les kppv imputation par SVD MAR MCAR MNAR

Données non représentatives

E

Espérance-Maximisation Estimation de densité non paramétrique par histogramme par noyaux paramétrique

Expectation-Maximization

G

Généralisation

I

Inégalité de Jensen

K

K-means K-means++

K-medoids KDE

L

L'indice de Ward lien maximum

lien minimum lien moyen

M

Malédiction de la dimension Maximum a posteriori Maximum de vraisemblance Modèles de mélange EM pour mélange gaussien EM pour modèle de mélange Nombre de composantes

Modélisation à partir de données

O

objectifs, [1]

observations et variables supplémentaires

P

Partitionnement par densité

R

relations entre les analyses

Représentation des variables règles d'interprétation

S

solution de l'ACP

T

Types de variables