Variance expliquée
Évaluer la part des variations représentée par les premières composantes.
Méthode associée / PCA
Explorer les variations avant de résoudre les spectres
La PCA aide à représenter un ensemble de spectres avec un petit nombre de composantes et à choisir quelles variations examiner.
Un traitement Python reproductible
Les développements DataChem calculent la PCA sur une matrice préparée, reconstruisent les données et produisent des diagnostics de résidus. Ils exportent la variance expliquée, les scores et les loadings, avec figures et rapport de synthèse.
Une fois configuré, le traitement peut être relancé sur plusieurs séries. DataChem peut l’adapter à vos formats et protocoles ; le prétraitement, le nombre de composantes et l’interprétation restent des choix scientifiques.
Trois lectures complémentaires
Scores
Examiner comment les observations évoluent avec les conditions expérimentales.
Loadings
Repérer les zones spectrales associées aux variations observées.
Dans l’exemple MCR-ALS
L’exploration PCA a orienté le choix de tester une résolution à deux composantes. Ce choix doit être discuté avec les résidus, le bruit, le prétraitement et la cohérence des profils obtenus.
Une composante PCA est une direction de variation mathématique, pas un spectre pur. Deux composantes ne signifient pas automatiquement deux sites ou deux espèces chimiques.