Analyse en composantes principales (ACP)

L'analyse en composantes principales (ACP) est une technique statistique multivariée qui réduit un grand nombre de variables corrélées à un plus petit ensemble de variables non corrélées appelées composantes principales. Chaque composante capte une part de la variation totale du jeu de données d'origine, la première composante expliquant le plus de variation et chacune des suivantes en expliquant progressivement moins.

Dernière révision

Point clé

L'analyse en composantes principales (ACP) est une technique statistique multivariée qui réduit un grand nombre de variables corrélées à un plus petit ensemble de variables non corrélées appelées composantes principales.

Sur cette page
  1. Qu'est-ce que l'analyse en composantes principales ?
  2. Quand utiliser l'analyse en composantes principales ?
  3. Recommandations pour bien utiliser l'analyse en composantes principales
  4. Alternatives : quand ne pas utiliser l'analyse en composantes principales
  5. Exemple d'analyse en composantes principales
  6. Comment réaliser une analyse en composantes principales

Qu'est-ce que l'analyse en composantes principales ?

L'analyse en composantes principales (ACP) est une technique statistique multivariée qui réduit un grand nombre de variables corrélées à un plus petit ensemble de variables non corrélées appelées composantes principales. Chaque composante capte une part de la variation totale du jeu de données d'origine, la première composante expliquant le plus de variation et chacune des suivantes en expliquant progressivement moins.

L'ACP ne supprime pas de données : elle transforme mathématiquement les variables d'origine en un nouveau système de coordonnées où chaque axe est aligné sur une direction de variation maximale. Cela simplifie des jeux de données complexes de grande dimension tout en préservant les structures les plus significatives qu'ils contiennent.

Définitions simples :une technique qui comprime de nombreuses variables corrélées en quelques composantes clés qui captent ensemble l'essentiel de la variation, ce qui réduit la complexité tout en conservant intactes les structures les plus importantes.

Terme

Signification

Composante principale (Principal Component)

Une nouvelle variable, combinaison pondérée des variables d'origine, qui capte une direction de variation précise

Valeur propre (Eigenvalue)

Mesure la part de la variation totale qu'explique chaque composante principale

Graphique des éboulis (Scree Plot)

Un graphique des valeurs propres par ordre décroissant, utilisé pour décider du nombre de composantes à retenir

Saturations (Loadings)

La contribution (le poids) de chaque variable d'origine à une composante principale

Scores

Les coordonnées de chaque observation dans le nouvel espace des composantes principales

Quand utiliser l'analyse en composantes principales ?

  • À utiliser lorsque vous avez de nombreuses variables corrélées et que vous voulez les réduire à un nombre gérable sans perdre d'information essentielle.
  • À utiliser pour identifier les variables qui génèrent le plus de variation dans un jeu de données.
  • À utiliser pour visualiser des données multivariées en deux ou trois dimensions en représentant les deux ou trois premières composantes.
  • À utiliser comme étape de prétraitement avant une régression ou une classification afin d'éliminer la multicolinéarité.
  • À utiliser en ingénierie de la qualité, surveillance de procédé et analyse de données de capteurs , où de nombreuses variables sont mesurées simultanément.

Recommandations pour bien utiliser l'analyse en composantes principales

  • Toutes les variables d'entrée doivent être continues  : l'ACP n'est pas adaptée aux variables catégorielles.
  • Standardisez les variables (moyenne = 0, écart-type = 1) si elles ont des échelles différentes , sinon les variables aux plages numériques plus larges domineront les composantes.
  • Utilisez le graphique des éboulis et les valeurs propres pour décider du nombre de composantes à retenir : une règle courante consiste à garder les composantes dont la valeur propre est supérieure à 1.
  • Interprétez les composantes à l'aide des saturations  : des saturations élevées indiquent quelles variables d'origine sont le plus fortement associées à chaque composante.
  • L'ACP identifie des structures et motifs mais n'explique pas les relations de cause à effet : la connaissance du domaine est indispensable pour interpréter le sens des composantes.
  • Visez une effectif de l'échantillon d'au moins 5 à 10 fois le nombre de variables pour une estimation stable des composantes.

Alternatives : quand ne pas utiliser l'analyse en composantes principales

  • Si l'objectif est de prédire une variable réponse précise, utilisez plutôt la régression des moindres carrés partiels (PLS) ou l'analyse de régression : l'ACP n'utilise pas de variable réponse.
  • Si les variables ont de très faibles corrélations entre elles, l'ACP ne permettra pas de réduction de dimension significative : travaillez directement avec les variables d'origine.

Exemple d'analyse en composantes principales

Une banque exige huit informations des demandeurs de prêt : revenu, niveau d'études, âge, ancienneté dans le logement actuel, ancienneté chez l'employeur actuel, épargne, dettes et nombre de cartes de crédit. Un administrateur de la banque veut analyser ces données pour déterminer la meilleure façon de les regrouper et de les présenter. Il recueille ces informations pour 30 demandeurs de prêt. Les étapes suivantes ont été suivies :

  1. Recueillir les données nécessaires.
Principal Components — figure 1
  1. Analysez maintenant les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
  2.  Pour trouver Principal Components, choisissez Statistical module> Multivariate > Principal Components.
  3.  Dans l'outil, saisissez les données et les autres paramètres comme suit :
Principal Components — figure 2

5. Après exécution de l'outil, les résultats obtenus sont les suivants :

Principal Components — figure 3Principal Components — figure 4Principal Components — figure 5Principal Components — figure 6Principal Components — figure 7

Comment réaliser une analyse en composantes principales

La marche à suivre est la suivante :

  1. Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
  2. Sur la page d'accueil, choisissez Statistical Tool> Multivariate >Principal Components.
  3. Ensuite, saisissez les données manuellement ou copiez-les (Ctrl+C) depuis une feuille Excel et collez-les (Ctrl+V) ici.
  4. Ensuite, renseignez les options requises.
  5. Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.

Sur le tableau de bord de Principal Components, la fenêtre est divisée en deux parties.

Principal Components — figure 8

La partie gauche contient le Data Pane (volet de données). Dans le Data Pane, chaque ligne constitue un sous-groupe. Les données peuvent être saisies manuellement, ou vous pouvez copier (Ctrl+C) l'ensemble des données d'une feuille Excel et les coller (Ctrl+V) ici.

Load example : des données d'exemple sont chargées.

Load File : permet de charger directement des données Excel.

La partie droite contient de nombreuses options, décrites ci-dessous :

  • Variables : sélectionnez les colonnes contenant les variables à inclure dans l'analyse. Utilisez Ctrl ou Commande + clic pour sélectionner plusieurs colonnes. Chaque colonne sélectionnée doit être une variable numérique continue  comme le revenu, l'âge, les dettes ou l'épargne. Plus ces variables sont corrélées entre elles, plus l'ACP les réduira efficacement en composantes significatives.
  • Type of Matrix :  définit le fondement mathématique utilisé pour calculer les composantes principales. Deux options sont généralement disponibles :
    • Correlation Matrix — standardise toutes les variables à la même échelle (moyenne = 0, écart-type = 1) avant de calculer les composantes. C'est le choix par défaut recommandé lorsque vos variables sont mesurées dans des unités différentes ou sur des échelles numériques très différentes, par exemple un revenu en milliers et un âge en années. Sans standardisation, les variables aux plages plus larges domineraient les composantes simplement à cause de leur échelle, et non de leur importance réelle.
    • Covariance Matrix — utilise les variances et covariances brutes des variables d'origine sans standardisation. Adaptée uniquement lorsque toutes les variables sont déjà à la même échelle et dans la même unité  ; sinon les variables d'échelle plus grande écraseront les résultats.
  • Mahalanobis Distances : lorsque cette option est activée, calcule la distance de Mahalanobis de chaque observation, une mesure statistique de l'éloignement de chaque point de données par rapport au centre de la distribution multivariée, en tenant compte des corrélations entre variables. Contrairement aux mesures de distance standard, la distance de Mahalanobis s'ajuste à la forme et à la dispersion du nuage de données. Elle sert principalement à identifier les valeurs aberrantes multivariées  : des observations qui paraissent inhabituelles lorsque toutes les variables sont considérées ensemble, même si elles semblent normales lorsqu'on les examine individuellement.
  • Scree Plot : génère un graphique qui représente la valeur propre de chaque composante principale par ordre décroissant. Le graphique des éboulis est l'outil principal pour décider du nombre de composantes à retenir. Vous cherchez le point où la courbe fléchit nettement puis s'aplatit, appelé le coude, et retenez les composantes situées avant ce point. Une règle courante consiste à garder les composantes dont la valeur propre est supérieure à 1, car elles expliquent plus de variance qu'une seule variable d'origine.
  • Outlier Plot : affiche un nuage de points qui aide à repérer visuellement les observations inhabituelles dans l'espace des composantes principales. Les points éloignés du groupe principal d'observations, en termes de scores des composantes ou de distances de Mahalanobis, sont signalés comme valeurs aberrantes multivariées potentielles. Il est important d'identifier et d'examiner ces valeurs aberrantes avant de tirer des conclusions de l'analyse, car elles peuvent fausser les composantes.
  • Loading Plot : génère une représentation visuelle des saturations de chaque variable d'origine sur les composantes principales. Chaque variable est représentée par un vecteur, dont la direction et la longueur indiquent avec quelle force et dans quel sens cette variable contribue à chaque composante. Les variables aux vecteurs longs et de même direction sont corrélées positivement ; celles de directions opposées sont corrélées négativement. Le graphique des saturations est essentiel pour interpréter ce que représente réellement chaque composante principale en termes de variables d'origine.
  • Download as Excel : exporte l'ensemble des résultats de l'ACP, y compris les scores des composantes, les saturations, les valeurs propres et la variance expliquée, dans un fichier Excel.

Questions fréquentes

Qu'est-ce que l'analyse en composantes principales ?

L'analyse en composantes principales (ACP) est une technique multivariée qui réduit un grand nombre de variables corrélées à un plus petit ensemble de variables non corrélées appelées composantes principales. La première composante explique le plus de variation et chacune des suivantes en explique progressivement moins. L'ACP ne supprime pas de données ; elle transforme les variables en un nouveau système de coordonnées aligné sur les directions de variation maximale.

Combien de composantes principales faut-il garder ?

Utilisez le graphique des éboulis et les valeurs propres. Le graphique des éboulis montre la valeur propre de chaque composante par ordre décroissant ; cherchez le coude, où la courbe fléchit nettement puis s'aplatit, et retenez les composantes situées avant. Une règle courante consiste à garder les composantes dont la valeur propre est supérieure à 1, car elles expliquent plus de variance qu'une seule variable d'origine.

Faut-il utiliser la matrice de corrélation ou de covariance pour l'ACP ?

Utilisez la matrice de corrélation, choix par défaut recommandé, lorsque les variables sont mesurées dans des unités différentes ou sur des échelles très différentes, car elle standardise chaque variable à une moyenne de 0 et un écart-type de 1. Sans cela, les variables aux plages plus larges dominent les composantes. La matrice de covariance n'est adaptée que si toutes les variables sont déjà à la même échelle et dans la même unité.

Quand ne faut-il pas utiliser l'ACP ?

L'ACP n'utilise pas de variable réponse ; si l'objectif est de prédire une réponse précise, utilisez plutôt la régression des moindres carrés partiels ou l'analyse de régression. Si les variables ont de très faibles corrélations entre elles, l'ACP ne permettra pas de réduction de dimension significative. Toutes les variables d'entrée doivent être continues, et un échantillon d'au moins 5 à 10 fois le nombre de variables est conseillé.