Noeud ACP/Analyse factorielle – Options du modèle
Nom du modèle Vous pouvez générer le nom du modèle automatiquement sur la base du champ cible ou ID (ou du type de modèle si aucun de ces champs n'est spécifié) ou spécifier un nom personnalisé.
Utiliser les données partitionnées. Si une zone de partition est définie, seules les données d'apprentissage sont utilisées pour la création du modèle.
Méthode d'extraction. Indiquez la méthode de factorisation.
- Composantes principales. Il s'agit de la méthode par défaut : l'analyse en composantes principales recherche les composantes qui récapitulent les champs d'entrée.
- Moindres carrés non pondérés. Cette méthode d'analyse factorielle recherche l'ensemble de facteurs pouvant reproduire le modèle des relations (corrélations) entre les champs d'entrée.
- Moindres carrés généralisés. Cette méthode d'analyse factorielle, similaire à celle des moindres carrés non pondérés, utilise une technique de pondération afin de donner moins de valeur aux champs présentant une variance unique (non partagée).
- Maximum de vraisemblance. Cette méthode d'analyse factorielle génère les équations factorielles qui sont les plus susceptibles d'avoir produit le modèle de relations (corrélations) observé dans les champs d'entrée, en se basant sur des hypothèses relatives à la forme de ces relations.
- Factorisation en axes principaux. Cette méthode d'analyse factorielle, très proche de l'analyse en composantes principales, se concentre exclusivement sur la variance partagée.
- Factorisation alpha. Cette méthode d'analyse factorielle considère les champs à analyser comme un échantillon des champs d'entrée potentiels. Elle maximise la fiabilité statistique des facteurs.
- Factorisation en projections. Cette méthode d'analyse factorielle utilise la technique d'estimation des données afin d'isoler la variance commune, ainsi que ses facteurs descriptifs.