• 15 heures
  • Difficile

Ce cours est visible gratuitement en ligne.

course.header.alt.is_video

course.header.alt.is_certifying

J'ai tout compris !

Mis à jour le 12/08/2022

Partie 1

Connectez-vous ou inscrivez-vous gratuitement pour bénéficier de toutes les fonctionnalités de ce cours !

Compétences évaluées

  • Comprendre à quelles questions les principaux algorithmes de réduction de dimension non supervisé linéaire permettent de répondre
  • Utiliser les principaux algorithmes de réduction de dimension non supervisé linéaire classique
  • Choisir un algorithme de réduction de dimension non supervisé linéaire en fonction de vos besoins et des caractéristiques des données
  • Question 1

    Un Data Scientist fait une ACP sur ses données X, et trouve que les 3 premières composantes expliquent 80 % de la variance de ses données. Comment ce nombre de 80 % est-il calculé ?

    Attention, plusieurs réponses sont possibles.
    • C’est la somme des trois premiers termes de la diagonale de X, divisée par la trace de X.

    • C’est la somme des trois premières valeurs propres de  XX , divisée par la trace de XX .

    • C’est la somme des trois premières valeurs propres de XX , divisée par la somme de toutes ses valeurs propres.

    • C’est la somme des trois premiers termes de la diagonale de XX , divisée par la trace de XX .

  • Question 2

    Étant donné les 7 points en deux dimensions de la figure ci-dessous, quelle est la première composante principale ?

     

    7 points en 2 dimensions
    7 points en 2 dimensions
    • (2/2,2/2)

    • (1, 1)

    • (0, 1)

    • (0, 2 )

  • Question 3

    Sur les mêmes données que pour la question 2, la première composante trouvée par une analyse factorielle sera proportionnelle à celle trouvée par l'ACP. Quelle sera la deuxième composante ?

    • (2/2,2/2)

    • (1, -1)

    • (0, 0)

    • (2/2,2/2)