Analyse en composantes principales (ACP)

Introduction à l'analyse en composantes principales (ACP)

L'analyse en composantes principales (ou ACP) est une méthode statistique de réduction de dimension largement utilisée en intelligence artificielle et en informatique. Elle permet de résumer l'information contenue dans un jeu de variables corrélées en un nombre réduit de composantes orthogonales, tout en conservant le maximum de variance possible. Ce cours détaillé reprend les concepts clés testés dans le questionnaire fourni, en les enrichissant d'explications, d'exemples et de bonnes pratiques SEO pour faciliter le référencement de votre contenu.

1. Le centrage : pourquoi et comment ?

Le premier pré‑traitement d'une ACP consiste à centrer les données, c’est‑à‑dire soustraire à chaque variable sa moyenne. L'effet principal du centrage sur la géométrie du nuage de points est de déplacer l'origine au centre du nuage, rendant la moyenne nulle. Ainsi, chaque variable possède une moyenne de zéro, ce qui simplifie les calculs de covariance et garantit que les axes principaux passeront par le centre du nuage.

• Réduction de l'échelle : le centrage ne modifie pas l'échelle, il ne fait que recentrer.
• Impact sur la variance : la variance totale reste inchangée, mais la covariance entre variables devient plus facile à interpréter.

Dans l'exemple numérique du questionnaire, la variable X = [2,3,4,7,6,5] a une moyenne initiale de 4,5. Après centrage, chaque valeur est soustraite de 4,5, ce qui donne une moyenne de 0 pour la variable centrée.

2. Standardisation et matrice de corrélation

Lorsque les variables ont des unités ou des échelles très différentes, on effectue une standardisation (centrage‑réduction). Chaque variable est divisée par son écart‑type, ce qui conduit à la matrice de corrélation R. Cette matrice est appelée ainsi parce que chaque coefficient r_{jk} représente la corrélation entre les variables X_j et X_k :

• r_{jk} = Corr(X_j , X_k)

Contrairement à la matrice de covariance, R ne conserve aucune unité d'origine, ce qui rend les composantes comparables même si les variables initiales étaient très disparates.

3. Recherche des vecteurs propres : contraintes et optimisation

L'ACP consiste à maximiser la variance projetée sur un vecteur direction a. Cette optimisation est soumise à la contrainte a^T a = 1, c’est‑à‑dire que le vecteur doit être unitaire. Cette condition évite les solutions triviales où la norme du vecteur pourrait être infinie et garantit que les valeurs propres obtenues correspondent à des variances réelles.

Mathematically, on résout le problème max a^T M a sous la contrainte a^T a = 1, où M est la matrice de covariance (ou de corrélation). La solution conduit à l'équation caractéristique M a = λ a, révélant que a est un vecteur propre de M et λ la valeur propre associée.

4. Interprétation des valeurs propres

Chaque valeur propre λ_k représente la variance expliquée par la k‑ième composante principale. Si une valeur propre vaut zéro, la composante correspondante n’apporte aucune variance supplémentaire. Par exemple, si λ_2 = 0, la deuxième composante principale explique aucune variance supplémentaire (variance nulle) et peut être ignorée sans perte d’information.

Les valeurs propres permettent également de calculer le pourcentage de variance expliqué :

Variance expliquée (%) = (λ_k / Σ λ_i) × 100

Cette mesure est essentielle pour le choix du nombre de composantes à retenir.

5. Critères de sélection du nombre d’axes

Plusieurs critères existent pour déterminer combien de composantes conserver :

• Pourcentage cumulé de variance expliqué : on retient le nombre d’axes permettant d’atteindre, par exemple, 80‑90 % de la variance totale. C’est le critère le plus couramment recommandé.
• Critère de Kaiser : ne garder que les axes dont la valeur propre est supérieure à 1 (applicable surtout en ACP centrée‑réduite).
• Analyse du scree plot : visualiser la chute des valeurs propres et choisir le coude du graphique.

Dans le questionnaire, la bonne réponse était « Atteindre un pourcentage cumulé de variance expliqué (ex. 80‑90 %) ».

6. Charges et coordonnées g_jk

Dans une ACP centrée‑réduite, la coordonnée g_{jk} = √λ_k a_{jk} représente la corrélation entre la variable j et la composante k. Cette mesure, souvent appelée « charge », indique l’importance relative de chaque variable sur chaque axe. Une charge élevée (positive ou négative) signifie que la variable contribue fortement à la direction de la composante.

Les charges sont utiles pour interpréter les axes : on peut regrouper les variables ayant des charges similaires et donner un sens thématique aux composantes (par exemple, « taille » vs « poids » dans une étude biométrique).

7. La matrice de centrage H et sa propriété d’idempotence

Le centrage des données s’effectue à l’aide de la matrice H = I_n – (1/n) 1 1^T. Cette matrice possède la propriété d’idempotence : H² = H. En d’autres termes, appliquer le centrage deux fois de suite ne change rien après la première application. Cette propriété découle du fait que H projette les colonnes de X sur le sous‑espace orthogonal au vecteur constant 1. Ainsi, une fois que les moyennes sont nulles, un second centrage ne modifie plus les données.

8. Exemple numérique complet

Reprenons l’exemple du questionnaire avec la variable X = [2,3,4,7,6,5] :

1. Centrage : moyenne = (2+3+4+7+6+5)/6 = 4,5. Après soustraction, les valeurs centrées sont [-2, -1.5, -0.5, 2.5, 1.5, 0.5] et la moyenne devient 0.
2. Standardisation (si nécessaire) : on divise chaque valeur centrée par l’écart‑type (≈1,71) pour obtenir des scores z.
3. Matrice de corrélation : avec une seule variable, la matrice R est simplement [[1]]. Dans un jeu à plusieurs variables, chaque coefficient serait la corrélation entre deux variables.
4. Valeurs propres et vecteurs propres : pour une matrice 1×1, la valeur propre vaut 1 et le vecteur propre est [1]. Dans des jeux plus complexes, on résout R a = λ a pour chaque axe.
5. Charges : g_{jk} = √λ_k a_{jk}. Ici, g = 1, indiquant une corrélation parfaite entre la variable et la composante.

Cet exemple illustre le processus complet, du pré‑traitement à l’interprétation des résultats.

9. Bonnes pratiques SEO pour un cours sur l'ACP

Pour que votre contenu soit bien référencé, pensez à :

• Utiliser les mots‑clés analyse en composantes principales, ACP, réduction de dimension, valeurs propres, matrice de corrélation dans les titres <h2> et <h3>.
• Rédiger des meta‑descriptions concises incluant ces termes.
• Structurer le texte avec des listes <ul>/<ol> pour améliorer la lisibilité.
• Inclure des exemples concrets (comme le jeu de données fourni) pour augmenter le temps de lecture.
• Ajouter des balises <strong> et <em> autour des concepts clés afin de signaler leur importance aux moteurs de recherche.

10. Conclusion

L'analyse en composantes principales reste un outil incontournable pour explorer, visualiser et simplifier des jeux de données multivariés. En maîtrisant le centrage, la standardisation, la construction de la matrice de corrélation, la résolution des vecteurs propres et l’interprétation des valeurs propres, vous serez capable de choisir judicieusement le nombre de composantes à retenir et d’extraire des informations pertinentes.

Utilisez les critères de variance cumulée, le scree plot ou le critère de Kaiser pour guider votre décision, et n’oubliez pas d’interpréter les charges g_{jk} afin de donner du sens aux axes obtenus. Enfin, la propriété idempotente de la matrice de centrage H garantit que le pré‑traitement est robuste et reproductible.

En appliquant ces principes, vous optimiserez non seulement vos analyses statistiques, mais vous renforcerez également la visibilité de votre contenu grâce à une rédaction SEO‑friendly, structurée et riche en informations pertinentes.