Projet.Rmd

@@ -414,11 +414,10 @@ 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) {
@@ -538,6 +537,7 @@ 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")
 
+
 ```
 
 
@@ -624,6 +624,23 @@ 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.
@@ -647,56 +664,28 @@ 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)
 
-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")
-# Visualisation des clusters dans le plan original
 
-# Ajouter les clusters aux données d'origine
-data_with_clusters <- MatriceExp
-data_with_clusters$cluster <- as.factor(res_pam$clustering)
+# 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")
 
-ggplot(data_with_clusters, aes(x = ExpT1, y = ExpT2, color = cluster)) +
-  geom_point(size = 3) +
-  labs(
-    title = "Visualisation des clusters PAM dans le plan original des données",
-    x = "ExpT1",
-    y = "ExpT2",
-    color = "Cluster"
-  ) +
-  theme_minimal()
-ggplot(data_with_clusters, aes(x = ExpT1, y = ExpT3, color = cluster)) +
-  geom_point(size = 3) +
-  labs(
-    title = "Visualisation des clusters PAM dans le plan original des données",
-    x = "ExpT1",
-    y = "ExpT2",
-    color = "Cluster"
-  ) +
-  theme_minimal()
-
-ggplot(data_with_clusters, aes(x = ExpT2, y = ExpT3, color = cluster)) +
-  geom_point(size = 3) +
-  labs(
-    title = "Visualisation des clusters PAM dans le plan original des données",
-    x = "ExpT1",
-    y = "ExpT2",
-    color = "Cluster"
-  ) +
-  theme_minimal()
 ```
 
 
 
 # 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 ??