Analyse en composantes principales
L'analyse en composantes principales (ACP) est une méthode non supervisée de réduction de dimensionnalité — compte tenu de son traitement moderne dans les manuels par Ian Jolliffe (2002) — qui compresse des données de haute dimensionnalité en moins de dimensions tout en préservant la variance maximale possible. Elle réexprime des variables corrélées sous forme d'un petit ensemble de composantes principales non corrélées, ordonnées selon la quantité de variation des données que chacune capture.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Sources
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/fr/machine-learning/pca
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Analyse factorielleStatistiques de recherche↔ compare
- Regroupement hiérarchiqueApprentissage automatique↔ compare
- Régression LassoApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →