SVD et projection

L'idée géométrique

SVD écrit Xc = U S Vᵀ : V donne les axes principaux (directions), S leur importance. Projeter sur les 2 premiers = photo 2D la plus fidèle en variance. explained_variance_ratio_ dit ce que chaque axe conserve.

from sklearn.decomposition import PCA
p = PCA(n_components=2).fit(X_scaled_train)
print(p.explained_variance_ratio_)

Fit sur train seulement

Moyenne, échelle et axes appris sur train, appliqués à test : sinon fuite. PCA n'est pas un modèle prédictif : c'est une représentation, à juger sur l'aval (viz, clustering, modèle).