Analyse en composantes principales (ACP)

L'analyse en composantes principales est une technique d'apprentissage non supervisé utilisée en machine learning pour réduire la dimensionnalité. Il s'agit d'un processus statistique qui transforme des observations de variables corrélées en un ensemble de données linéairement non corrélées. Les composantes principales sont ces nouvelles variables transformées. C'est l'un des outils les plus couramment utilisés pour l'analyse exploratoire de données et la modélisation prédictive. C'est une méthode permettant d'identifier des motifs significatifs dans un jeu de données en réduisant les variances. L'ACP recherche fréquemment la surface de plus faible dimensionnalité lors de la projection de données à haute dimension. L'ACP prend en compte la variance de chaque caractéristique, car une variance élevée indique une forte séparation entre les groupes, ce qui réduit la dimensionnalité.