PAM

Projet.Rmd

@@ -414,10 +414,11 @@ replicats <- c("R1", "R2")
 # Initialiser une matrice vide pour stocker les moyennes
 G <- nrow(T)  # Nombre de gènes
 DataExpMoy <- matrix(NA, nrow = G, ncol = length(traitements) * length(heures))
+
+#nommer les lignes et les colonnes comme celles des données originales
 colnames(DataExpMoy) <- paste(rep(traitements, each = length(heures)), heures, sep = "_")
 rownames(DataExpMoy) <- rownames(T)
 
-colnames(T)
 
 # Calcul des moyennes
 for (t in traitements) {
@@ -537,7 +538,6 @@ fviz_cluster(res_kmeans_2,data=s_2,
              ellipse.type="norm",labelsize=8,
              geom=c("point"))+ggtitle("Visualisation des clusters générés par la méthode kmeans dnas le plan factoriel 1,2")
 
-
 ```
 
 
@@ -624,23 +624,6 @@ MatriceExp = as.data.frame(MatriceExp)
 ```
 
 
-### K-modes
-```{r,fig.cap=""}
-set.seed(1234)
-clkmodes=kmodes(MatriceExp,3,iter.max=100,weight=FALSE)
-clusplot(MatriceExp, clkmodes$cluster, color=TRUE, shade=TRUE, labels=0, lines=0)
-```
-### K-means sur ACM
-```{r,echo=FALSE,results = FALSE,message=FALSE,warning=FALSE,fig.show='hide'}
-afcm=MCA(MatriceExp,graph = TRUE)
-coeff=afcm$ind$coord
-clkmeans=kmeans(coeff,3)
-fviz_cluster(clkmeans, 
-             data = coeff, 
-            geom = "point",
-             ellipse.type = "norm", 
-            main = "Clustering des gènes basé sur l'ACM et k-means")
-```
 
 ### PAM
 Pour effectuer un clustering PAM avec des données qualitatives, nous avons généré en amont une matrice de dissimilarité grâce à la métrique de gower, pour ensuite lancer l'algorithme PAM sur cette matrice.
@@ -664,28 +647,23 @@ ggplot(df,aes(x=K,y=Silhouette))+
   geom_line()+theme(legend.position = "bottom")
 
 res_pam = pam(ds, k = 10)
+# le champ data doit être remis dans les resultats de PAM
+# car comme on a effectué l'algo en donnat directement la matrice de distance
+# la variable de résultat ne contient pas les données originales
+# Or elles sont necessaire car le champ data de fviz_cluster est utilisé 
+# que pour des  résultats de kmeans et dbscan
+pcoa_res <- cmdscale(as.matrix(ds), k = 10)  # Project distance matrix to 2D
+res_pam$data <- as.data.frame(pcoa_res)
 
-
-# Étape 4 : Visualiser les clusters
-#fviz_cluster(
-#  res_pam, 
-#  data = MatriceExp, 
-#  ellipse.type = "norm",    # Ajouter une ellipse normale autour des clusters
-#  labelsize = 8,            # Taille des étiquettes
-#  geom = c("point")         # Utiliser des points pour visualiser les données
-#) +
-#  ggtitle("Visualisation des clusters générés par la méthode PAM")
+fviz_cluster(
+  res_pam, 
+  labelsize = 8,            # Taille des étiquettes
+  geom = c("point")         # Utiliser des points pour visualiser les données
+) +
+  ggtitle("Visualisation des clusters générés par la méthode PAM")
 
 ```
 
 
 
 # TODO : 
-- refaire sans centrer-réduire
-- interpréter par rapport aux méta-variable
-- ne pas afficher le clustering dans les plans de l'acp pour les 2 dernières ACP
-- présenter chaque méthode/algo et pourquoi on l'utilise avant le code
-- analyser la seconde et troisième acp et les clustering qu'on en fait
-- refaire l'analyse de la première acp
-- choisir des graphes
-- voir si la troisième acp est bien ce qu'il faut psq wtf ??