Analyse en composantes principales (ACP)

Fonctionnement de l'analyse en composantes principales

À la base, l'ACP identifie les directions de la variance maximale dans un ensemble de données. Imaginez un diagramme de dispersion de points de données ; l'ACP trouve la ligne qui rend le mieux compte de la dispersion des données. Cette ligne représente la première composante principale. La deuxième composante principale est une autre ligne, perpendiculaire à la première, qui représente la variance la plus importante. En projetant les données originales sur ces nouvelles composantes, l'ACP crée une représentation de moindre dimension qui filtre le bruit et met en évidence les modèles les plus significatifs. Ce processus est essentiel pour améliorer les performances des modèles en réduisant le risque de surajustement et en diminuant les ressources informatiques nécessaires à la formation.

Applications IA/ML dans le monde réel

L'ACP est largement utilisée dans divers domaines de l'intelligence artificielle (IA) et de la vision par ordinateur (VA).

1. Reconnaissance faciale et compression d'images: Dans le domaine de la vision par ordinateur, les images sont des données à haute dimension où chaque pixel est une caractéristique. L'ACP peut être utilisée pour compresser les images en réduisant le nombre de dimensions nécessaires pour les représenter. Une application célèbre est la reconnaissance faciale, où la technique connue sous le nom de "visages propres" utilise l'ACP pour identifier les caractéristiques les plus importantes (composantes principales) des visages. Cette représentation simplifiée rend le stockage et la comparaison des visages beaucoup plus efficaces, ce qui est vital pour des tâches telles que la classification d'images et la sécurité biométrique. Pour en savoir plus, consultez cette introduction aux faces propres.
2. Bioinformatique et analyse génétique: Les ensembles de données génomiques contiennent souvent des milliers de caractéristiques, telles que les niveaux d'expression de milliers de gènes dans de nombreux échantillons. L'analyse de ces données à haute dimension est un défi en raison de la malédiction de la dimensionnalité. L'ACP aide les chercheurs d'institutions telles que le National Human Genome Research Institute à réduire cette complexité, à visualiser les données et à identifier des groupes de patients ou d'échantillons présentant des profils génétiques similaires. Cela peut révéler des schémas liés à des maladies ou à des réponses à des traitements, accélérant ainsi la recherche dans le domaine de la médecine personnalisée.

ACP et autres techniques

L'ACP est une technique linéaire, ce qui signifie qu'elle suppose que les relations entre les variables sont linéaires. Bien qu'elle soit puissante et interprétable, elle peut ne pas saisir efficacement les structures complexes et non linéaires.

• Autoencodeurs: Il s'agit de techniques basées sur des réseaux neuronaux qui peuvent apprendre des représentations de données complexes et non linéaires. Elles sont souvent plus puissantes que l'ACP, mais elles sont moins interprétables et plus coûteuses sur le plan informatique. Vous pouvez les mettre en œuvre à l'aide de frameworks tels que PyTorch ou TensorFlow.
• t-distributed Stochastic Neighbor Embedding (t-SNE): Principalement une technique de visualisation, le t-SNE excelle à révéler la structure locale et les grappes dans les données à haute dimension, même celles qui ne sont pas linéaires. Cependant, il ne préserve pas la structure globale aussi bien que l'ACP et est très gourmand en ressources informatiques. Scikit-learn fournit des implémentations pour l'ACP et le t-SNE.

Bien qu'il existe des techniques plus avancées, l'ACP reste un outil précieux, souvent utilisé comme base ou étape initiale dans l'exploration des données et les pipelines de prétraitement. Dans l'écosystème Ultralytics, bien que des modèles comme Ultralytics YOLO utilisent l'extraction de caractéristiques intégrée dans leurs structures CNN, les principes de réduction de la dimensionnalité sont essentiels. Des plateformes comme Ultralytics HUB aident à gérer l'ensemble du flux de travail de ML, de l'organisation des ensembles de données au déploiement des modèles, où de telles étapes de prétraitement sont essentielles pour obtenir des résultats optimaux.