Nuée

§ 1L’application

Cliquez, analysez, gardez le R.

Ouvrez un tableau venant d’Excel, de R, de SPSS, de Stata, de SAS, de jamovi ou de QGIS, les relevés de terrain de KoboToolbox ou d’ODK, ou collez des cellules copiées d’un tableur. Choisissez vos variables. Nuée ajuste le modèle et vous donne ses scores, ses loadings, ses diagnostics et sa validation, dans des graphiques où l’on zoome, sélectionne et colore.

Puis elle rend tout : les données et les résultats à chacun de ces logiciels, le paragraphe de votre section Méthodes, et un script R qui refait le modèle sans Nuée.

Sélectionnez des points au rectangle ou au lasso : la sélection vous suit dans tous les graphiques du modèle.
Ctrl+K trouve une commande à partir d’un bout de son nom.
Une copie de secours toutes les deux minutes, et l’annulation des changements de données.

La fenêtre de Nuée : l’explorateur de projets à gauche, le résumé d’un modèle PLS, le graphique de ses scores et ses loadings tracés en lignes en fonction de la longueur d’onde. — Fig. 2 Une PLS sur des spectres proche infrarouge, celle du deuxième tutoriel : l’explorateur, le résumé du modèle, ses scores, et ses loadings tracés en fonction de la longueur d’onde.

Fig. 2 Une PLS sur des spectres proche infrarouge, celle du deuxième tutoriel : l’explorateur, le résumé du modèle, ses scores, et ses loadings tracés en fonction de la longueur d’onde.

§ 2Ce qu’elle fait

Une nuée, six formes.

Chaque point ci-dessous est une ligne de données, placée par le moteur de Nuée. Faites défiler : la nuée se pose tour à tour en chaque famille d’analyses.

01Multivarié

Des scores, des loadings, et pourquoi ce point s’écarte.

ACP, PLS, PLS-DA, OPLS et OPLS-DA par NIPALS, valeurs manquantes comprises. Une validation croisée qui réajuste le modèle sans chaque groupe tour à tour, des tests de permutation, la CV-ANOVA, des VIP dont le seuil est placé pour vous, et des graphiques de contributions qui disent pourquoi une observation se distingue.

Fig. 3 L’ACP de l’exemple : 120 pommes, 14 mesures, quatre variétés. Le premier axe porte 35 % de la variance, le second 26 %. En tirets : le T² de Hotelling à 95 %. GalaGoldenGrannyReinette

Le guide
02Spectres

Des spectres, lus comme des spectres.

Des fichiers JCAMP-DX, SPC ou texte en entrée ; SNV, MSC, suppression de tendance et lissage ou dérivées de Savitzky–Golay avant le modèle. Les loadings, les coefficients et les VIP se tracent en lignes en fonction de la longueur d’onde : glissez sur une bande pour l’écarter, et l’iPLS montre quelles plages prédisent le mieux.

Fig. 4 Six des 120 spectres proche infrarouge de sols du tutoriel, 141 longueurs d’onde chacun, du plus pauvre en carbone au plus riche. En grisé : les deux bandes de l’eau. prairieculture

Le tutoriel Le guide
03Régressions

Mixtes, généralisés, additifs. Et expliqués.

Modèles linéaires et mixtes avec effets aléatoires emboîtés, pentes aléatoires et autocorrélation dans le temps ; GLM et GAM pour des comptages, des présences, des proportions et des densités avec des zéros. Les moyennes ajustées, la sélection par l’AIC, et les conditions du modèle vérifiées et dites en mots.

Fig. 5 L’avant/après avec témoins du premier tutoriel : de jeunes truites sur trois stations en amont d’un seuil et trois témoins. L’écart entre elles passe de 3,2 avant l’arasement du seuil à 10,3 après ; le modèle mixte estime l’effet à +6,9 pour 100 m² [3,5 ; 10,4]. témoinsaménagées

Le tutoriel Le guide
04Communautés

Beaucoup d’espèces à la fois.

RDA, CA et CCA avec leurs tests de permutation ; PCoA et NMDS sur les distances de Bray–Curtis, de Jaccard, de Gower et six autres ; la PERMANOVA avec la dispersion de chaque groupe, les tests de Mantel, les espèces indicatrices, la raréfaction et les estimateurs de richesse. Les mêmes valeurs de p que vegan pour les mêmes permutations.

Fig. 6 Un NMDS de 72 relevés inventés de 30 espèces dans trois habitats, sur les distances de Bray–Curtis. Stress 0,065. roselièreprairieboisement

Le guide
05Suivis

Des comptages aux tendances et aux densités.

Les indices TRIM, la norme du suivi des oiseaux en Europe, avec des comptages manquants, la surdispersion et la corrélation d’une année à l’autre. L’échantillonnage par distances, depuis des lignes ou des points. Les avant/après avec témoins, les tendances de Mann–Kendall avec les pentes de Sen, et la puissance pour détecter une tendance avant d’aller sur le terrain.

Fig. 7 Chaque point est une détection, une ou deux alouettes vues depuis un transect, dans le troisième tutoriel : 157 en tout, de moins en moins avec la distance. La courbe est la fonction de détection demi-normale : 58 % des alouettes à moins de 150 m sont détectées, d’où 23,2 par km² [17,9 ; 30,0].

Le tutoriel Le guide
06Cartes

Où cela se passe.

Des coordonnées en WGS 84, Lambert-93, UTM et d’autres ; les sites sur une carte, colorés par une variable ou par les résidus d’un modèle ; le GeoPackage en entrée et en sortie, pour QGIS ; l’altitude, l’occupation du sol ou le climat d’un raster ajoutés à chaque site ; le I de Moran, les variogrammes et un lissage spatial pour ce que le modèle laisse dans l’espace.

Fig. 8 46 sites inventés sur les courbes de niveau d’un relief inventé, colorés selon le quart où tombe leur valeur. Un fond de carte n’est demandé que si vous en choisissez un. quart le plus basquart le plus haut

Le guide

Et aussi : arbres de décision, forêts aléatoires et arbres boostés ; analyse discriminante linéaire et k-moyennes ; modèles de classes et graphique de Coomans ; des tests statistiques choisis d’après le type des variables, leurs conditions vérifiées ; des prédictions pour de nouvelles observations, celles hors du domaine du modèle signalées.

§ 3Un guide

Quelle analyse choisir ? Demandez.

Modèle › Quelle analyse ? pose votre question en mots simples, regarde ce que contiennent vos colonnes et conseille une analyse avec ses conditions ; un clic ouvre ensuite la bonne fenêtre, déjà remplie. Voici la table de règles de l’application elle-même, qui tourne sur cette page.

Et une fois le modèle ajusté, son résumé dit chaque condition en mots (la normalité des résidus, une dispersion qui change, des observations influentes, une surdispersion, des termes colinéaires) avec ce qu’il faut faire.

§ 4Ouverte par construction

Du R, de bout en bout.

Aucune statistique n’est calculée ailleurs. Le moteur fait 34 111 lignes de R commenté en 64 fichiers, vérifiées par 34 scripts à chaque changement. Vous pouvez lire ce qui a été calculé. Vous pouvez le modifier.

Console Rm = M1 (ACP) · p = vergers

> head(round(m$statistiques$observations[, c("t1", "t2", "T2", "DModX")], 2))
     t1    t2   T2 DModX
1 -2.30 -0.93 6.04  1.23
2 -2.22  0.00 4.65  0.63
3 -1.63 -0.75 3.30  1.14
4 -2.77  0.76 4.07  1.17
5 -2.57 -0.27 3.93  0.53
6 -2.26  0.71 3.62  0.45

La console R (Ctrl+J) montre le R derrière chaque action, et lance le vôtre dans la session de l’application : m et p y désignent le modèle et le projet à l’écran.

Corrigez vous-même. Modifiez un fichier du moteur, tapez recharger_moteur() dans la console, et réajustez.

vergers M2.Rlignes 23 à 44 sur 344

1# Modèle M2 (Note de dégustation) : PLS, 7 composantes, 120 observations, 14 termes X2# Script R écrit par Nuée 1.0.0 le 2026-11-15, à partir du projet « vergers.csv ».3# Il refait ce modèle avec R seul, sans Nuée ni autre paquet : le calcul est écrit pour ce modèle,4# de ses données à ses résultats, qui sont ceux de Nuée. Ses quatre parties :5#   1. Fonctions : l'algorithme NIPALS, la validation croisée6#   2. Données7#   3. Modèle : termes X et Y, mise à l'échelle, ajustement, statistiques8#   4. Résultats : tableaux et graphiques⋮23# Une composante PLS par NIPALS, à partir des résidus E de X et F de Y : les poids w des termes X24# (de norme 1), les scores t, les poids c des termes Y et les loadings p, recalculés jusqu'à ce25# que les scores u de Y ne changent plus (écart relatif 1e-10, 2000 tours au plus). Les valeurs26# manquantes sont ignorées (ME, MF).27composante_pls <- function(E, ME, F, MF) {28  Et <- t(E)29  MEt <- t(ME)30  Ft <- t(F)31  MFt <- t(MF)32  u <- F[, which.max(colSums(F^2))]33  for (i in 1:2000) {34    w <- projeter(Et, MEt, u)35    w <- w / sqrt(sum(w^2))36    tt <- projeter(E, ME, w)37    cc <- projeter(Ft, MFt, tt)38    u_suivant <- projeter(F, MF, cc)39    fini <- sqrt(sum((u_suivant - u)^2)) <= 1e-10 * sqrt(sum(u_suivant^2))40    u <- u_suivant41    if (fini) break42  }43  list(w = w, t = tt, c = cc, p = projeter(Et, MEt, tt))44}

Exporter vers R fait de tout modèle un script, ou un rapport R Markdown ou Quarto, qui le refait avec R seul. Celui-ci est la PLS de l’exemple : 344 lignes commentées, dont voici le cœur. Avant d’écrire le fichier, Nuée lance le script et vérifie qu’il donne les mêmes résultats.

§ 5Du modèle à l’article

Elle rédige vos Méthodes.

Modèle › Texte pour la section Méthodes écrit le paragraphe d’après le modèle lui-même, en français ou en anglais, avec ses références. Relisez-le, complétez-le de ce que le modèle ne peut pas savoir, et collez.

Analyses statistiques

Le modèle porte sur 120 observations et 14 variables X. La variable Y : « note_gout ».

Les variables X ont été centrées et réduites (variance unité).

Nous avons ajusté une régression PLS (moindres carrés partiels ; Wold et al., 2001) par l'algorithme NIPALS, qui tolère les valeurs manquantes (0,8 % des valeurs X ; Nelson et al., 1996), avec 7 composantes. La validation croisée comptait 7 groupes (l'observation i dans le groupe i modulo 7) ; chaque groupe a été prédit par un modèle ajusté sans lui, avec un centrage recalculé sur les autres observations et la mise à l'échelle du modèle complet.

Le modèle explique 90 % de la variance de X (R²X cumulé) et 86 % de celle de Y (R²Y cumulé) ; son pouvoir prédictif en validation croisée est Q² = 0,81. Le modèle vide, qui prédit chaque groupe caché par la moyenne de Y des autres observations, a Q² = -0,01 ; le gain du modèle sur lui, (Q² − Q² vide) / (1 − Q² vide), est de 0,81. CV-ANOVA (Eriksson et al., 2008) : F = 31,24, p < 0,001.

Les calculs ont été faits avec Nuée 1.0.0 (4rtefakt, 2026), dont le moteur est écrit en R (R 4.6.2 ; R Core Team, 2026).

Références

4rtefakt (2026). Nuée (version 1.0.0) [Computer software]. https://github.com/4rtefakt/nuee
Eriksson, L., Trygg, J., & Wold, S. (2008). CV-ANOVA for significance testing of PLS and OPLS models. Journal of Chemometrics, 22(11–12), 594–600. https://doi.org/10.1002/cem.1187
Nelson, P. R. C., Taylor, P. A., & MacGregor, J. F. (1996). Missing data methods in PCA and PLS: Score calculations with incomplete observations. Chemometrics and Intelligent Laboratory Systems, 35(1), 45–65. https://doi.org/10.1016/S0169-7439(96)00007-X
R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
Wold, S., Sjöström, M., & Eriksson, L. (2001). PLS-regression: a basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems, 58(2), 109–130. https://doi.org/10.1016/S0169-7439(01)00155-1

The model uses 120 observations and 14 X variables. The Y variable: “taste_score”.

The X variables were mean-centred and scaled to unit variance.

We fitted a PLS regression (partial least squares; Wold et al., 2001) with the NIPALS algorithm, which handles missing values (0.8% of the X values; Nelson et al., 1996), with 7 components. Cross-validation used 7 groups (observation i in group i modulo 7); each group was predicted by a model fitted without it, with centring recomputed on the other observations and the scaling of the full model.

The model explains 90% of the variance of X (cumulative R²X) and 86% of that of Y (cumulative R²Y); its cross-validated predictive ability is Q² = 0.81. The empty model, which predicts each held-out group by the mean of Y over the other observations, has Q² = -0.01; the model's gain over it, (Q² − Q² empty) / (1 − Q² empty), is 0.81. CV-ANOVA (Eriksson et al., 2008): F = 31.24, p < 0.001.

Computations were done with Nuée 1.0.0 (4rtefakt, 2026), whose engine is written in R (R 4.6.2; R Core Team, 2026).

References

4rtefakt (2026). Nuée (version 1.0.0) [Computer software]. https://github.com/4rtefakt/nuee
Eriksson, L., Trygg, J., & Wold, S. (2008). CV-ANOVA for significance testing of PLS and OPLS models. Journal of Chemometrics, 22(11–12), 594–600. https://doi.org/10.1002/cem.1187
Nelson, P. R. C., Taylor, P. A., & MacGregor, J. F. (1996). Missing data methods in PCA and PLS: Score calculations with incomplete observations. Chemometrics and Intelligent Laboratory Systems, 35(1), 45–65. https://doi.org/10.1016/S0169-7439(96)00007-X
R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
Wold, S., Sjöström, M., & Eriksson, L. (2001). PLS-regression: a basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems, 58(2), 109–130. https://doi.org/10.1016/S0169-7439(01)00155-1

Fig. 9 Le texte des méthodes de la PLS de l’exemple, tel que Nuée l’écrit. Chaque nombre souligné vient du modèle.

Des documents qui ne se périment pas

Un article ou un rapport en Markdown, gardé dans le projet à côté de son aperçu. Il cite les résultats du projet et la littérature, depuis des fichiers BibTeX ou depuis Zotero, et se compile en Word, PDF, HTML ou Quarto. Réajustez le modèle : les nombres suivent.

vous écrivezLe modèle a prédit la note de dégustation de {{M2.N}} pommes avec un Q² en validation croisée de {{M2.Q2}}, et expliqué {{M2.R2Y:%}} de sa variance [@wold2001].

vos lecteurs lisentLe modèle a prédit la note de dégustation de 120 pommes avec un Q² en validation croisée de 0,81, et expliqué 86 % de sa variance (Wold et al., 2001).

Des figures à la largeur d’une revue

Plusieurs graphiques composés en panneaux A, B, C, sur une ou deux colonnes, exportés en PDF ou SVG vectoriels, ou en PNG et TIFF à 300 ou 600 ppp.

Le compositeur de figures : deux panneaux, A et B, à 174 mm, avec les formats d’export PDF, SVG, PNG et TIFF.

§ 6Fichiers

Elle ouvre ce que vous avez, rend ce qu’il vous faut.

Les libellés de valeurs deviennent des catégories ; les séparateurs, les virgules décimales et les encodages sont détectés ; les points GPS deviennent les coordonnées du projet. Les fichiers exportés ont été ouverts dans jamovi, PSPP, Weka, LibreOffice et pandas, pour en être sûr.

ouvre

.xlsxExcel
.xlsExcel
.csv
.tsv
.rdsR
.RDataR
.savSPSS
.porSPSS
.dtaStata
.sas7bdatSAS
.xptSAS
.omvjamovi
.gpkgQGIS
.tifGeoTIFF
.ascESRI
.jdxJCAMP-DX
.spcGalactic, Thermo
.dbfdBase
.arffWeka
.bibBibTeX
KoboToolbox
ODK Central
Zotero
Ctrl+V

écrit

.xlsxExcel
.csv
.rdsR
.RDataR
.savSPSS
.dtaStata
.xptSAS
.omvjamovi
.gpkgQGIS
.dbfdBase
.arffWeka
.R
.RmdR Markdown
.qmdQuarto
renv.lock
.docxWord
.pdf
.html
.svg
.png
.tiff600 dpi
.nuee

§ 7Vérifiée

Les nombres des paquets que vous citeriez.

Nuée ne demande pas qu’on la croie. Ses résultats sont comparés à ceux des implémentations de référence à chaque changement, au grand jour, où chacun peut regarder les vérifications tourner.

vegan · indicspecies	Ordinations, PERMANOVA, tests de Mantel, espèces indicatrices	les mêmes valeurs de p pour les mêmes permutations
nlme · mgcv · emmeans	Modèles mixtes, généralisés et additifs	ajustés par les paquets eux-mêmes ; les moyennes ajustées comme emmeans les donne
rtrim	Indices et tendances de comptages	indices annuels, erreurs standard et classes de tendance
Distance	Densités depuis des lignes et des points	fonctions de détection, densités et leurs intervalles
terra · PROJ · spdep · gstat	Rasters, coordonnées, autocorrélation spatiale	des conversions égales à celles de PROJ au micromètre
ranger · gbm	Forêts aléatoires et arbres boostés	erreurs, importances et dépendances partielles
fichiers .usp	944 modèles de 133 projets `.usp`, recalculés	R²X, R²Y, scores, loadings, T², DModX, VIP et coefficients égaux aux valeurs enregistrées, à quelques modèles avec données manquantes près

Là où Nuée s’écarte exprès, elle le dit : Aide › Résultats et écarts connus. Regarder les vérifications tourner

Vos données restent sur votre ordinateur.

Nuée n’envoie rien : ni compte, ni clé de licence, ni statistiques d’usage. Deux exceptions, que vous pouvez refuser : une question à GitHub au démarrage pour savoir s’il existe une nouvelle version, et la zone affichée à OpenStreetMap ou à l’IGN quand vous choisissez un fond de carte.

§ 8Télécharger

Emportez-la chez vous.

Windows 10 et 11

L’installateur apporte R : il n’y a rien d’autre à installer, et aucun droit d’administrateur n’est nécessaire.

Télécharger pour Windows

Windows peut dire qu’il a protégé votre ordinateur, parce que l’installateur n’est pas signé : Informations complémentaires, puis Exécuter quand même.

Debian, Ubuntu et leurs dérivées

Le .deb apporte R et les paquets dont Nuée a besoin, par apt.

Télécharger le .deb

Autres distributions : l’AppImage ou le tar.gz, avec le R de votre distribution.

Puis essayez Aide › Projet d’exemple : les 120 pommes de cette page, avec quatre modèles prêts.

Pour citer Nuée, laissez Modèle › Texte pour la section Méthodes le faire, ou : 4rtefakt (2026). Nuée [Logiciel]. https://github.com/4rtefakt/nuee

Des scores, des loadings, et pourquoi ce point s’écarte.

Des spectres, lus comme des spectres.

Mixtes, généralisés, additifs. Et expliqués.

Beaucoup d’espèces à la fois.

Des comptages aux tendances et aux densités.

Où cela se passe.