Référentiel B — capacité IA
PCA
Architecture
Méthode de réduction de dimension linéaire projetant les données sur les axes (composantes principales) qui maximisent la variance expliquée
Capacités clés
- Réduction du nombre de variables tout en préservant l'essentiel de l'information (variance) contenue dans les données
- Visualisation de données à haute dimension en deux ou trois dimensions
- Suppression du bruit et de la redondance (colinéarité) entre variables avant modélisation
Usages documentés par secteur
ScienceTRL non déterminableDiffusion standard
Analyse exploratoire de données scientifiques à très grand nombre de variables (génomique, imagerie)
- Résumé du climat français à partir des températures moyennes mensuelles de plusieurs villes
- Analyse de séries dynamiques d'images, notamment les scintigraphies dynamiques en médecine nucléaire
- Données physico-chimiques relevées par 30 stations le long du Doubs (pH, dureté, phosphate, nitrate, ammoniaque, oxygène)
Sources de cet usage
- 1.Analyse en composantes principales — Wikipédiasecondaire
IndustrieTRL non déterminableDiffusion standard
Prétraitement de données avant modélisation par apprentissage automatique
- Compression par conservation des seuls premiers vecteurs propres, avec un « taux de compression usuel de 20 % »
Sources de cet usage
- 1.Analyse en composantes principales — Wikipédiasecondaire
Limites connues
Méthode linéaire, incapable de capturer des structures non linéaires complexes dans les données. La comparaison avec t-SNE ou UMAP et la perte d'interprétabilité directe des composantes, souvent avancées, ne sont attestées par aucune source de la fiche.
Débats documentés
Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.
Sources
- 1.Analyse en composantes principales — Wikipédiasecondaire
Analyses de gap citant cette fiche
- MEDAF/CAPM × PCAModèles factoriels de risque et estimation du coût du capital
Fiche humaine : MEDAF/CAPM
- Big Bang (modèle cosmologique) × PCACompression statistique des grands relevés cosmologiques
Fiche humaine : Big Bang (modèle cosmologique)
- Kenneth Arrow × PCAAgrégation des préférences individuelles et limites logiques du choix social
Fiche humaine : Kenneth Arrow
Fiches connexes — Data science / modèles prédictifs
- Arbres de décisionMéthode d'apprentissage automatique classique (algorithmes ID3, C4.5, CART, développés à partir des années 1980)
- AutoencodeursArchitecture de réseau de neurones popularisée à partir des années 1980-1990, largement développée depuis les années 2010
- CNNArchitecture développée notamment par Yann LeCun (LeNet, fin des années 1980-1990), popularisée à grande échelle par AlexNet (2012)
- Forêts aléatoiresMéthode d'ensemble développée notamment par Leo Breiman (2001)
- GANConcept développé par Ian Goodfellow et ses collègues (juin 2014)
- Gradient Boosting (XGBoost/LightGBM/CatBoost)Méthode formalisée par Jerome Friedman (1999). Les implémentations XGBoost, LightGBM et CatBoost qui donnent son nom à la fiche ne sont nommées par aucune source de celle-ci : leurs dates et leurs éditeurs restent à tracer.
- K-MeansAlgorithme classique de partitionnement de données (formalisé par Stuart Lloyd et James MacQueen dans les années 1950-1960)
- K-NNMéthode statistique classique d'apprentissage non paramétrique ; la source citée n'en donne pas la datation
Données brutes de cette fiche : /api/fiches/pca — voir la méthodologie.