AI 용어집
인공지능 완전 사전
Analyse en Composantes Principales
Méthode statistique de réduction dimensionnelle qui transforme des variables corrélées en nouvelles variables non corrélées appelées composantes principales, en maximisant la variance conservée.
Scree Plot
Graphique visualisant les valeurs propres en ordre décroissant pour aider à déterminer le nombre optimal de composantes principales à conserver selon la méthode du coude.
Loading Scores
Coefficients de corrélation entre les variables originales et les composantes principales, indiquant l'importance et la contribution de chaque variable à chaque composante.
Scores Factoriels
Coordonnées des observations individuelles dans le nouvel espace des composantes principales, utilisées pour visualiser les relations entre les observations.
Inertie Totale
Somme des variances de toutes les variables originales, égale à la trace de la matrice de covariance et conservée lors de la transformation ACP.
Pourcentage de Variance Cumulé
Somme cumulée des variances expliquées par les composantes principales successives, permettant de déterminer combien d'information est préservée.
Biplot
Visualisation graphique simultanée des observations et des variables dans le plan des deux premières composantes principales, révélant les relations structurelles.
Rotation Varimax
Méthode de rotation orthogonale appliquée après l'ACP pour améliorer l'interprétabilité des composantes en maximisant la variance des loadings au carré.
Critère de Kaiser
Règle empirique suggérant de conserver uniquement les composantes principales ayant des valeurs propres supérieures à 1 pour déterminer la dimensionnalité optimale.
Reconstruction d'Erreur
Mesure quantifiant la perte d'information lors de la réduction dimensionnelle, calculée comme la différence entre les données originales et leur approximation ACP.