Analyse en Composantes Principales (PCA)

La PCA sert à réduire la dimensionnalité. Imaginez passer de 100 colonnes à 2 ou 3, tout en gardant l'essentiel de l'information.

Pourquoi réduire ?

• Visualisation : On ne peut pas voir en 100 dimensions, mais en 2D oui.
• Performance : Moins de données = calculs plus rapides.
• Bruit : Élimine les détails inutiles.

from sklearn.decomposition import PCA

# Réduire à 2 dimensions
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X_high_dim)

print(pca.explained_variance_ratio_) # Combien d'info on a gardé ?

💪 À vous de jouer !

Utilisez le notebook interactif ci-dessous pour tester le code directement ici !