Quelle description de l'analyse en composantes principales (ACP) est correcte ?

Réponse : C. Elle détermine de nouveaux axes orthogonaux entre eux, en commençant par la direction où la dispersion (variance) des données est la plus grande, et représente les données avec peu d'axes

L'analyse en composantes principales est la méthode de réduction de dimension la plus courante : elle représente des données à nombreuses variables avec moins de variables, en perdant le moins d'information possible. On détermine successivement la direction de plus grande variance (première composante principale), puis, parmi les directions orthogonales à celle-ci, celle de plus grande variance (deuxième composante principale), et ainsi de suite, et l'on représente les données avec seulement les premières composantes. C'est une forme d'apprentissage non supervisé, qui n'utilise pas d'étiquettes ; on s'en sert pour visualiser les données et comme prétraitement avant l'apprentissage. Si les variables ont des unités ou des ordres de grandeur différents, les variables à grandes valeurs dominent le résultat ; on standardise donc souvent les données au préalable.