# PCA (Analyse en Composantes Principales)

> Technique de réduction de dimension permettant de simplifier la complexité d'un grand nombre de variables.

- Page ZoneIA : https://zoneia.fr/glossaire/pca-analyse-en-composantes-principales
- Type : Définition du glossaire IA
- Catégories : [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data), [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

La PCA est une méthode statistique qui **projette des données multidimensionnelles** vers un espace de plus faible dimension, tout en **conservant au mieux l’information** (au sens de la variance). Elle est très utilisée en data science pour rendre des jeux de données plus simples à analyser, visualiser ou traiter par des modèles.

## Comment ça fonctionne
On part d’un ensemble de variables (features) souvent corrélées. La PCA calcule de nouvelles variables, appelées **composantes principales**, qui sont :
- des **combinaisons linéaires** des variables d’origine ;
- **orthogonales** entre elles (indépendantes géométriquement) ;
- **triées** : la première explique le plus de variance, la suivante un peu moins, etc.

On choisit ensuite un nombre réduit de composantes (ex. 2, 10, 50) pour représenter les données avec une perte contrôlée.

## À quoi ça sert
- **Réduction de dimension** pour accélérer l’entraînement et limiter le surapprentissage.
- **Débruitage** : les dernières composantes capturent souvent du bruit.
- **Visualisation** en 2D/3D de données complexes (exploration, clustering).
- **Prétraitement** avant régression, classification ou détection d’anomalies.

## Exemple concret
Pour des données clients avec 100 variables, on peut conserver 10 composantes expliquant, par exemple, 95 % de la variance, et entraîner un modèle plus léger sur ces 10 dimensions.

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/pca-analyse-en-composantes-principales)