Régression par composantes principales (RCP)
La régression par composantes principales (RCP) comprime d'abord un ensemble de prédicteurs corrélés en quelques composantes principales — les directions de plus grande variance — puis effectue la régression de la réponse sur ces composantes. En écartant les directions de faible variance, la RCP stabilise l'estimation en présence de multicolinéarité et de haute dimensionnalité, au prix du choix des composantes sans référence à la réponse.
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.
Sources
- Jolliffe, I. T. (1982). A note on the use of principal components in regression. Journal of the Royal Statistical Society: Series C (Applied Statistics), 31(3), 300–303. DOI: 10.2307/2348005 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. ISBN: 978-0-387-84857-0
Comment citer cette page
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/fr/machine-learning/principal-components-regression
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.
- Régression linéaire multipleStatistique↔ compare
- Régression par moindres carrés partiels (PLS)Apprentissage automatique↔ compare
- Régression RidgeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →