Une méthode statistique qui extrait les principaux motifs récurrents des données en réduisant leur dimensionnalité.L'analyse en composantes principales (ACP) est une technique statistique qui réduit la dimensionnalité d'un ensemble de données tout en préservant autant que possible sa variabilité. Elle identifie les directions, appelées composantes principales, le long desquelles les données varient le plus. La première composante principale capture la plus grande variance, la deuxième capture la variance suivante, et ainsi de suite, chaque composante étant orthogonale aux précédentes. Cette transformation permet de visualiser et d'analyser des données complexes et de grande dimension dans un espace de dimension réduite, révélant souvent une structure cachée.
L'ACP a été introduite par Karl Pearson en 1901 comme une méthode pour trouver les droites et les plans qui s'ajustent le mieux à un ensemble de points. Elle a ensuite été formalisée et popularisée par Harold Hotelling dans les années 1930, qui l'a appliquée à la psychométrie et à l'économie.
L'ACP fonctionne en calculant la matrice de covariance des données, puis en trouvant ses vecteurs propres et ses valeurs propres. Les vecteurs propres définissent les directions de variance maximale, et les valeurs propres donnent la quantité de variance le long de chaque direction. En projetant les données originales sur les premiers vecteurs propres, on obtient une représentation compressée qui conserve la plupart de l'information. Ce processus équivaut à effectuer une décomposition en valeurs singulières de la matrice de données.
L'ACP est largement utilisée en compression d'images, en reconnaissance faciale, en génomique pour analyser les données d'expression génique, et en finance pour la gestion des risques et l'optimisation de portefeuille.
L'ACP est le fondement mathématique de la technique des « visages propres » (eigenfaces) en reconnaissance faciale, où un visage est représenté comme une combinaison de quelques images de composantes principales.






