In this French tutorial, the presenter walks through the Factoshiny package – a Shiny‑based graphical front‑end for the FactoMineR suite. After loading Factoshiny in RStudio, the wine dataset (included in FactoMineR) is used as a demo. The video shows how a single function, Factoshiny(), can be applied to three kinds of objects (raw data, a previous analysis result such as a PCA, or an existing Factoshiny object) and launches a web interface split into a left‑hand description panel and a right‑hand method panel. The left panel lists dataset characteristics, available methods (variable‑characterisation, factorial analyses, classification) and links to instructional videos. Selecting a method (e.g., PCA) opens a second window with a left‑hand configuration menu and a right‑hand results area. The presenter highlights key configuration tabs: choosing active vs. supplementary quantitative/qualitative variables, designating supplementary individuals, handling missing values, improving graph readability, performing post‑PCA classification, generating an automatic bilingual report, and exporting the underlying R code to reproduce the exact plots. All changes are reflected instantly in the graphics, and the session can be saved and later restored simply by re‑running Factoshiny(). The tutorial concludes by encouraging viewers to explore the various functionalities across methods.
Chapters
Voici une courte démonstration du package Factoshiny, package qui permet de mettre en œuvre la plupart des méthodes d'analyse de données qui sont disponibles dans FactoMineR. Ouvrons RStudio ou R et chargeons le package Factoshiny. Nous allons utiliser le jeu de données wine qui est disponible dans le package FactoMineR. Pour mettre en œuvre une méthode d'analyse de données, il suffit de connaître une seule fonction, la fonction Factoshiny. Et nous pouvons appliquer cette fonction sur 3 types d'objets. Un jeu de données, un objet résultat d'une analyse de données, d'une ACP par exemple, ou un objet résultat de Factoshiny. Lançons la fonction Factoshiny sur les données wine. L'interface graphique s'ouvre dans le navigateur par défaut. La fenêtre est divisée en 2 parties. Sur la gauche, on trouve un descriptif succinct du jeu de données avec le nombre d'individus, le nombre de variables quantitatives et le nombre de variables qualitatives disponibles. Ensuite sont listées les méthodes qui peuvent être appliquées sur ce jeu de données en fonction de la nature des variables et enfin on trouve un lien vers une vidéo qui aide au choix de la méthode à utiliser. En bas, on trouve des liens vers le site de Factoshiny ou le site de FactoMineR. Sur la partie de droite, on trouve les différentes méthodes: 2 méthodes permettant de caractériser une variable en fonction de toutes les autres, puis des méthodes d'analyse factorielle et enfin une méthode de classification. En cliquant sur l'aide d'une méthode, on trouve à chaque fois un descriptif des jeux de données sur lesquels la méthode peut s'appliquer, puis quelles sont les principales problématiques qui peuvent être abordées avec cette méthode. Ensuite on trouve un lien vers quelques vidéos de cours qui présentent sur quels types de données la méthode s'applique, à quelles problématiques générales la méthode répond. Et ensuite des vidéos qui décrivent le fonctionnement de la méthode et les différentes aides à l'interprétation disponibles. On peut lancer pour l'exemple une ACP sur le jeu de données. Les autres méthodes fonctionnant de façon analogue. On ne détaillera pas l'ACP car une autre vidéo décrit en détail l'ACP, mais on montre juste les principales fonctionnalités de l'interface Factoshiny. On clique alors sur lancer, ce qui ouvre une nouvelle fenêtre dans le navigateur. Cette nouvelle fenêtre est divisée en 2 parties: sur la gauche on trouve le menu qui va permettre de paramétrer la méthode ou les graphes, sur la droite on trouve les résultats. L'analyse a été lancée avec des paramètres par défaut. Pour l'ACP, toutes les variables quantitatives sont considérées comme actives, toutes les variables qualitatives sont utilisées en supplémentaires. Le menu de gauche contient plusieurs onglets. Le premier va servir à paramétrer la méthode, c'est-à-dire à choisir les variables qui sont effectivement actives et celles qui seront considérées comme illustratives. De même, on peut choisir de considérer certains individus comme supplémentaires. Si des données manquantes sont présentes dans le jeu de données, différentes options sont proposées pour compléter le jeu de données avant de lancer l'analyse. Cette gestion des données manquantes est optimale pour les méthodes d'ACP, d'analyse des correspondances, d'ACM ou d'AFM. Ensuite, on trouve un onglet qui permet d'améliorer la lisibilité des graphiques, un onglet qui permet de réaliser une classification à l'issue de l'ACP, un onglet pour obtenir un rapport automatique, en français ou en anglais, qui fournit une interprétation des principaux résultats de l'ACP. Et enfin un bouton qui va permettre de récupérer les lignes de code de l'ACP pour pouvoir remettre en œuvre l'ACP et reconstruire les graphiques tels qu'ils sont dans l'interface et enfin un bouton pour quitter l'application. Sur la droite, on va trouver les principaux résultats, à savoir des graphes, des indicateurs numériques, des descriptions des dimensions et 2 onglets sur le jeu de données. Toute modification dans le paramétrage des graphiques sera prise en compte immédiatement dans les graphiques. Ce qui permet d'améliorer ses graphiques de façon interactive pour les rendre les plus lisibles possible. Ensuite on peut quitter l'application en cliquant sur le bouton quitter l'application. L'objet res contient les lignes de code pour paramétrer la méthode et construire le graphe des individus et celui des variables. Je peux aussi retrouver l'application exactement dans l'état dans lequel je l'avais laissée précédemment. Il suffit que je fasse Factoshiny. Vous voyez qu'on retrouve tout le paramétrage. Je peux donc à nouveau modifier mes graphes et je peux quitter à nouveau l'application et fermer. Vous avez vu les principales fonctionnalités de la fonction Factoshiny. N'hésitez pas à tester les fonctionnalités disponibles dans les différentes méthodes.
