Abstract:
Une des principales caractéristiques des données environnementales réside dans le fait
qu’on dispose d’un nombre de données de sorties très faible devant un grand nombre
d’entrées. Un enjeu majeur du traitement statistique de ces données est l’analyse multivariée à
but décisionnel. D’un point de vue statistique, ce grand nombre de variables devant ln petit
nombre d’observations rend l’analyse multivariée difficile. Une façon de contourner ce
« fléau » de la dimension consiste à réduire cette dimension. Dans ce travail, la régression et
la classification supervisée est vue comme un problème de reconnaissance de formes avec peu
d’observations et beaucoup de variables d’entrées dans un système pour l’aide à la décision.
Parmi les techniques de réduction de dimension en trouve : l’analyse en composantes
principale (ACP), l’analyse en composantes indépendantes (ACI), …. L’objectif de ce
mémoire consiste à illustrer pertinence parmi de ces approches proposées lorsqu’elles sont
appliquées à l’analyse de deux jeux de données réels différents. La régression et la
classification supervisée obtenue en combinant les techniques d’analyse multivariée et les
réseaux de neurones artificiels comme technique de reconnaissance de formes sont appliquées
au domaine de surveillance des eaux. On cherche une évaluation complète expriment les
variables indicatrices dans notre application et voir l’effet de l’analyse multivariée sur la
régression et la classification supervisée. Cette décision est basée sur l’application de la
technique choisie et sur l’interprétation des informations réduites et complètes obtenues sur
tout l’ensemble de deux bases de données.
