par Thomas Signour | Mar 21, 2018 | Actualités LENSKEM | 0 commentaires
LENSKEM sera présent au Forum Labo Lyon les 28 et 29 mars 2018.
Ce sera pour nous l’occasion de vous rencontrer et d’échanger sur les solutions chimiométriques que nous pouvons fournir à vos projets.
Si vous aussi vous êtes présent sur le Forum, envoyez nous un mail avec vos coordonnées à l’adresse contact@lenskem.com et nous viendrons à votre rencontre.
À bientôt sur le salon !
Pour plus d’informations : https://lenskem.com/
La régression multivariée est un outil très courant en chimiométrie. Il s’agit d’une extension de l’analyse multivariée, généralement employée pour la représentation de grands volumes de données, pour la prédiction de réponses d’intérêt.
Dans la pratique, la régression univariée est souvent utilisée pour différents étalonnages, notamment en chimie pour la mesure de concentrations (nous pouvons aussi parler de titrage). Toutefois, ces analyses se restreignent à une seule variable ou un seul facteur. La régression multivariée permet d’étendre les développements à plusieurs variables pour exploiter un champ d’étude plus large. Ceci est particulièrement utile en analyse de spectres puisque cela permet de travailler sur l’entièreté de la gamme spectrale sans a priori.
Les régressions multivariées permettent de construire un modèle qui n’est autre qu’une fonction reliant les variables aux réponses. Ainsi, que les données soient issues de spectres ou de mesures de paramètres indépendants, l’utilisation de la régression multivariée est tout aussi efficace.
Les techniques de classification peuvent être employées de différentes façons pour l’identification des échantillons d’une population. Ces différentes méthodes sont directement dépendantes des informations à disposition sur l’ensemble des données.
Classification non-supervisée.
Dans ce cas, nous ne disposons pas d’informations de classe des échantillons appartenant à l’ensemble de la population. La classification permet donc d’identifier les différents groupes ou familles qui peuvent exister au sein de l’ensemble des données. Ainsi, nous pouvons trouver les corrélations et spécifications communes entre différents échantillons.
Classification supervisée.
Cette fois, l’ensemble des échantillons de la population disposent d’informations concernant les familles d’échantillons. Les classes sont donc préétablies. Il s’agit ici de calculer des modèles de classe pour chaque famille afin, ensuite, de pouvoir attribuer n’importe quel nouvel échantillon inconnu à sa classe correspondante, si celle-ci existe.
La multiplication des variables d’entrée dans un tableau de valeurs rend l’interprétation des résultats difficile. En effet, au-delà de trois variables, il est nous est impossible d’appréhender toute l’information dans un même espace.
Une des techniques phares de la chimiométrie, l’analyse en composantes principales (ACP), permet de condenser l’information détenue par le grand nombre de variables en seulement quelques composantes, facilitant donc l’interprétation et la représentation des données.
Quelle que soit l’origine des données, il est recommandé de prétraiter ces dernières afin d’en optimiser l’exploitation. Il existe une très grande variété de prétraitements. Ils présentent des objectifs différents selon les données étudiées.
La méthode de normalisation, par exemple, permet de confronter des facteurs dont les échelles de valeurs varient fortement. Il est ainsi possible de comparer différents paramètres pour une même population d’échantillons, comme la température, la concentration, la masse…
La détection et l’extraction d’outliers permet de s’affranchir des valeurs abérantes suceptibles de biaiser l’analyse d’un jeu de données.
Dans le cas de la spectroscopie, de nombreux prétraitements permettent d’améliorer sensiblement la qualité d’un spectre : corrections de ligne de base, optimisation d’un rapport signal sur bruit…
Les plans d’expériences permettent d’évaluer, en un minimum d’essais pertinents, l’influence de différents paramètres d’entrée sur une ou plusieurs réponses. Cette planification est une démarche a priori qui présente deux principaux objectifs :
Cribler les paramètres influents d’un procédé expérimental.
En peu d’expériences, nous pouvons évaluer quels sont les paramètres les plus influents afin de se concentrer sur ces derniers. Le champ d’investigation est alors moins important et plusieurs ressources sont économisées.
Optimiser un procédé expérimental.
En réalisant les essais adéquats, nous pouvons déterminer précisément les effets de chaque paramètre. Il devient alors possible d’accéder à une réponse cible du procédé (maximum, minimum, optimum).