Français
Menu

Qu'est-ce que Analyse en composantes principales (ACP) ?

Méthode de réduction de dimension (en anglais PCA) qui 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 des données (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. Mathématiquement, cela revient à calculer les vecteurs propres de la matrice de covariance des données. On l'utilise pour visualiser les données, éliminer le bruit ou comme prétraitement avant l'apprentissage.

Nom japonais: 主成分分析(PCA)

« Analyse en composantes principales (ACP) » apparaît dans 1 questions d'entraînement réparties sur 1 thèmes, dont Bases de l'apprentissage automatique.

Domaine: Bases de l'apprentissage automatique

S'entraîner : questions sur Analyse en composantes principales (ACP)

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

  1. AElle sélectionne quelques caractéristiques qui prédisent le mieux l'étiquette et élimine toutes les autres pour réduire les données
  2. BElle répartit les données en un nombre prédéterminé de groupes, de sorte que les données semblables soient dans le même groupe
  3. CElle 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
Afficher la réponse et l'explication

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.

« Analyse en composantes principales (ACP) » dans les explications

Questions mentionnant « Analyse en composantes principales (ACP) » (1)

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

Termes associés

Apprentissage non supervisé Algorithme des k-moyennes (k-means) Apprentissage par renforcement Apprentissage par transfert (transfer learning) Apprentissage supervisé Descente de gradient (gradient descent) Fonction d'activation Matrice de confusion Précision et rappel (precision and recall) Régularisation

Retour au glossaire