335 articles  [english version]
Fiche détaillée Thèses
Université Rennes 2 (30/10/2006), Michel Carbon (Dir.)
Liste des fichiers attachés à ce document : 
PDF
these_sahmer.pdf(629.6 KB)
Propriétés et extensions de la classification de variables autour de composantes latentes. Application en évaluation sensorielle
Karin Sahmer1

Dans ce travail, les propriétés de la méthode de classification de variables autour de composantes latentes (CLV) sont étudiées. Un modèle statistique pour cette méthode est formulé. Ce modèle est particulièrement adapté aux données issues d'un profil sensoriel. Il permet de jeter un nouvel éclairage sur la méthode CLV. Le critère de classification s'écrit en fonction des paramètres du modèle. Il est démontré que, sous des conditions peu contraignantes, l'algorithme hiérarchique retrouve correctement les groupes de variables tandis que l'algorithme de partitionnement dépend de l'initialisation. Le comportement de la méthode CLV lors de la classification sur la base d'un échantillon est analysé à l'aide d'une étude de simulations. Il s'avère que la performance de CLV est comparable à celle de méthodes connues telles que la méthode Varclus du logiciel SAS. Finalement, deux procédures automatiques pour la détermination du nombre de groupes sont proposées et comparées.
1 :  UMR ENITIAA/INRA N°1124 - Unité mixte de recherche en sensométrie et chimiométrie
Classification de variables – analyse en composantes principales – analyse en facteurs communs et spécifiques – analyse sensorielle
http://hdl.handle.net/2003/23094

Properties and extensions of the clustering of variables around latent components. Application to sensometrics
In this work, the properties of the method of clustering of variables around latent components (CLV) are investigated. A statistical model is postulated. This model is especially appropriate for sensory profiling data. It sheds more light on the method CLV. The clustering criterion can be expressed in terms of the parameters of the model. It is shown that, under weak conditions, the hierarchical algorithm of CLV finds the correct partition while the partitioning algorithm depends on the partition used as a starting point. Furthermore, the performance of CLV on the basis of a sample is investigated by means of a simulation study. It is shown that this performance is comparable to the performance of known methods such as the procedure Varclus of the software SAS. Finally, two methods for determining the number of groups are proposed and compared.
Clustering of variables – principal component analysis – factor analysis – sensory analysis