Méthodes des composantes principales en R : tutoriels vidéo

Les vidéos théoriques FactoMineR de François Husson (ACP, AFC, ACM, AFDM, AFM, HCPC) — accompagnées d’une recette R prête à copier pour chaque méthode

Machine Learning

Un guide commenté des cours vidéo FactoMineR de François Husson sur les méthodes des composantes principales — ACP, analyse des correspondances (AFC, ACM), analyse factorielle de données mixtes (AFDM), analyse factorielle multiple (AFM) et classification hiérarchique sur composantes principales (HCPC). Chaque méthode associe les vidéos théoriques externes à un script de démarrage rapide FactoMineR + factoextra minimal et exécutable, ainsi qu’un lien vers la leçon Datanovia complète.

Auteur·rice

Alboukadel Kassambara

Date de publication

24 juin 2026

Modifié

24 juin 2026

AstuceCe que vous trouverez ici
  • Un index commenté des cours vidéo FactoMineR de François Husson sur les méthodes des composantes principales — la théorie, dans ses propres mots, gratuitement sur YouTube.
  • Une section par méthode — ACP · AFC · ACM · AFDM · AFM · HCPC — avec les vidéos correspondantes.
  • Un script R de démarrage rapide prêt à copier pour chacune (la recette FactoMineR + factoextra minimale).
  • Un lien « leçon complète → » vers le tutoriel Datanovia correspondant lorsque vous voulez la marche à suivre pas à pas, fondée sur ggplot2.

Les méthodes des composantes principales résument un grand tableau de variables en quelques dimensions interprétables que vous pouvez tracer et lire. Celle que vous utilisez dépend de vos données : ACP pour les variables numériques, AFC / ACM pour les variables catégorielles, AFDM pour un mélange des deux, AFM pour des variables organisées en groupes, et HCPC pour regrouper par-dessus n’importe laquelle d’entre elles. Toutes sont implémentées dans le package R FactoMineR.

NoteCrédit — ces vidéos sont une ressource externe

Les cours vidéo liés ci-dessous ont été créés par François Husson (professeur de statistique à Agrocampus Rennes et auteur du package FactoMineR). Ils sont son travail, hébergés sur sa chaîne YouTube — ce ne sont pas des contenus Datanovia. Nous les rassemblons ici parce qu’ils constituent une excellente introduction, librement accessible, à la théorie derrière chaque méthode, et nous associons chacun d’eux à notre propre recette R exécutable et à un lien vers la leçon Datanovia complète. Tout le crédit des vidéos et des diapositives du cours revient à François Husson et à l’équipe FactoMineR.

A FactoMineR PCA biplot of the USArrests data — US states plotted by their crime profile with the four crime variables drawn as arrows.

ACP — Analyse en composantes principales

Optez pour l’ACP lorsque chaque variable est numérique (continue). Elle trouve les directions de plus grande variation, ce qui vous permet de tracer des dizaines de mesures corrélées sous forme d’une poignée de composantes et de lire quels individus se ressemblent et quelles variables évoluent ensemble.

Script R de démarrage rapide. Il s’exécute sur les données intégrées USArrests (taux d’arrestation pour crimes violents pour les 50 États américains). PCA() réalise l’analyse ; factoextra dessine des figures ggplot2 prêtes à publier — un graphique des éboulis, le cercle des corrélations des variables et la carte des individus.

library(FactoMineR)
library(factoextra)

data("USArrests")
res.pca <- PCA(USArrests, graph = FALSE)   # all four variables are numeric

fviz_eig(res.pca, addlabels = TRUE)        # scree plot: variance per component

Scree plot of the USArrests PCA showing the percentage of variance explained by each principal component.

fviz_pca_var(res.pca, col.var = "contrib", repel = TRUE)   # variable correlation circle

PCA correlation circle of the four USArrests variables, colored by their contribution to the components.

fviz_pca_ind(res.pca, repel = TRUE)                        # map of individuals (states)

PCA correlation circle of the four USArrests variables, colored by their contribution to the components.

Le cours d’ACP de Husson (trois vidéos théoriques, puis la pratique avec FactoMineR, la gestion des valeurs manquantes avec missMDA et l’interface Factoshiny) :

Leçon complète → Analyse en composantes principales (ACP) avec R

AFC — Analyse des correspondances

Utilisez l’AFC pour analyser une table de contingence construite à partir de deux variables catégorielles — elle projette les lignes et les colonnes dans le même espace, ce qui vous permet de lire quelles catégories de lignes sont associées à quelles catégories de colonnes.

Script R de démarrage rapide. La table intégrée children croise les raisons d’hésiter à avoir des enfants avec les groupes de répondants. row.sup / col.sup signalent des lignes et des colonnes supplémentaires — projetées sur la carte mais non utilisées pour la construire.

library(FactoMineR)
library(factoextra)

data("children")
res.ca <- CA(
  children,
  row.sup = 15:18,   # supplementary rows
  col.sup = 6:8,     # supplementary columns
  graph = FALSE
)

fviz_ca_biplot(res.ca, repel = TRUE)   # rows + columns on one map

Correspondence analysis biplot of the children data, showing row and column categories in the same space.

Le cours d’AFC de Husson (théorie, inertie, représentation simultanée et interprétation, puis la pratique et un exemple de fouille de texte) :

Leçon complète → Analyse des correspondances (AFC) avec R

ACM — Analyse des correspondances multiples

L’ACM généralise l’AFC à plus de deux variables catégorielles — l’outil naturel pour les données d’enquête, où chaque répondant répond à plusieurs questions catégorielles.

Script R de démarrage rapide. Les données intégrées poison recensent les symptômes d’intoxication alimentaire et les aliments consommés par des écoliers. quanti.sup / quali.sup marquent les variables numériques et catégorielles supplémentaires.

library(FactoMineR)
library(factoextra)

data("poison")
res.mca <- MCA(
  poison,
  quanti.sup = 1:2,   # supplementary quantitative variables
  quali.sup = 3:4,    # supplementary qualitative variables
  graph = FALSE
)

fviz_mca_var(res.mca, repel = TRUE)   # category points

Multiple correspondence analysis biplot of the poison survey data, showing individuals and category points.

fviz_mca_ind(res.mca, repel = TRUE)   # individuals (respondents)

Multiple correspondence analysis biplot of the poison survey data, showing individuals and category points.

Le cours d’ACM de Husson (théorie, les deux nuages de points, interprétation, puis la pratique et la gestion des valeurs manquantes) :

Leçon complète → Analyse des correspondances multiples (ACM) avec R

AFDM — Analyse factorielle de données mixtes

Lorsque votre tableau comporte à la fois des variables numériques et catégorielles, l’AFDM les traite ensemble — elle se comporte comme une ACP pour les variables continues et comme une ACM pour les variables catégorielles, en équilibrant les deux.

Script R de démarrage rapide. Nous prenons un sous-ensemble des données intégrées wine (un mélange de scores de dégustation et d’étiquettes catégorielles). L’AFDM détecte automatiquement le type de chaque variable.

library(FactoMineR)
library(factoextra)

data("wine")
df <- wine[, c(1, 2, 16, 22, 29, 28, 30, 31)]   # a mix of numeric + categorical columns
res.famd <- FAMD(df, graph = FALSE)

fviz_famd_ind(res.famd, repel = TRUE)   # map of individuals

Factor analysis of mixed data: a map of individuals from a subset of the wine data set.

fviz_famd_var(res.famd, repel = TRUE)   # all variables vs the dimensions

Factor analysis of mixed data: a map of individuals from a subset of the wine data set.

La vidéo du cours d’AFDM de Husson :

Leçon complète → Analyse factorielle de données mixtes (AFDM) avec R

AFM — Analyse factorielle multiple

Utilisez l’AFM lorsque vos variables se présentent en groupes — par exemple, des blocs de mesures provenant de différentes sources ou de différents instruments. L’AFM pondère chaque groupe de sorte qu’aucun bloc ne domine, puis les résume conjointement.

Script R de démarrage rapide. Les données intégrées wine sont organisées en groupes de variables nommés (origine, odeur, goût…). Vous déclarez la taille et le type de chaque groupe avec group et type.

library(FactoMineR)
library(factoextra)

data("wine")
res.mfa <- MFA(
  wine,
  group = c(2, 5, 3, 10, 9, 2),                       # number of variables in each group
  type = c("n", "s", "s", "s", "s", "s"),             # n = categorical, s = scaled numeric
  name.group = c("origin", "odor", "visual",
                 "odor.after.shaking", "taste", "overall"),
  num.group.sup = c(1, 6),                            # supplementary groups
  graph = FALSE
)

fviz_mfa_ind(res.mfa, repel = TRUE)        # individuals

Multiple factor analysis of the wine data: a map of individuals from grouped variables.

fviz_mfa_var(res.mfa, "group")             # the groups of variables

Multiple factor analysis of the wine data: a map of individuals from grouped variables.

Le cours d’AFM de Husson (introduction, l’idée de pondération, l’étude des groupes, les compléments sur les groupes qualitatifs, puis la pratique) :

Leçon complète → Analyse factorielle multiple (AFM) avec R

HCPC — Classification hiérarchique sur composantes principales

HCPC se construit par-dessus les autres : exécutez d’abord une méthode des composantes principales (ACP, AFC, ACM ou AFDM), puis regroupez les individus sur ces composantes. Regrouper sur les composantes débruitées donne des groupes plus stables que le regroupement des données brutes, et cela fonctionne pour des entrées numériques et catégorielles.

Script R de démarrage rapide. Exécutez une ACP, puis HCPC() sur le résultat. nb.clust = -1 laisse l’algorithme choisir automatiquement le nombre de regroupements.

library(FactoMineR)
library(factoextra)

data("USArrests")
res.pca <- PCA(USArrests, ncp = 3, graph = FALSE)   # reduce dimensions first
res.hcpc <- HCPC(res.pca, nb.clust = -1, graph = FALSE)   # cluster on the components

fviz_cluster(res.hcpc, repel = TRUE, show.clust.cent = TRUE)   # individuals colored by cluster

HCPC factor map of the USArrests data: US states colored by the cluster assigned on the PCA components.

Le cours de classification de Husson (classification hiérarchique, choix du nombre de regroupements, k-means, description des regroupements, puis HCPC en pratique) :

Leçon complète → Classification hiérarchique sur composantes principales (HCPC) avec R

Quelle méthode utiliser ?

Vos données Méthode Leçon complète
Toutes les variables numériques ACP ACP
Une table de contingence à deux entrées AFC AFC
Plusieurs variables catégorielles (enquêtes) ACM ACM
Un mélange de numérique + catégoriel AFDM AFDM
Variables organisées en groupes AFM AFM
Regrouper après réduction de dimensions HCPC HCPC

Conclusion

Les vidéos de François Husson offrent un parcours clair et gratuit à travers la théorie des méthodes des composantes principales, directement de l’auteur de FactoMineR. Utilisez-les pour l’intuition, puis revenez aux scripts de démarrage rapide ci-dessus pour exécuter chaque méthode sur vos propres données — et aux leçons Datanovia complètes pour les marches à suivre complètes, fondées sur ggplot2, avec interprétation.

Pour aller plus loin

🟢 Avec un agent IA

Demandez à Prova « quelle méthode des composantes principales convient à mes données — j’ai un mélange de colonnes numériques et catégorielles ? » — elle répond avec du code FactoMineR que vous pouvez exécuter sur vos propres données. The runtime is the judge. Demander à Prova →

Cette page vous a-t-elle été utile ?

Recevez les nouvelles leçons R & Python par e-mail

Pratique, reproductible, sans spam. Désinscription à tout moment.

Double opt-in. Nous ne partageons jamais votre e-mail.

Partager cette pageXLinkedInRedditHN

Citation

BibTeX
@online{kassambara2026,
  author = {Kassambara, Alboukadel},
  title = {Méthodes des composantes principales en R : tutoriels vidéo},
  date = {2026-06-24},
  url = {https://www.datanovia.com/blog/principal-component-methods-video-tutorials},
  langid = {fr}
}
Veuillez citer ce travail comme suit :
Kassambara, Alboukadel. 2026. “Méthodes des composantes principales en R : tutoriels vidéo.” June 24. https://www.datanovia.com/blog/principal-component-methods-video-tutorials.