Quiz — ACP exercices.pdf

Question 1 sur 10 20:00

[{"id":155936,"question":"Quelle est la première étape de l'ACP ?","option_a":"Centrer et réduire les données","option_b":"Calculer la matrice de covariance","option_c":"Déterminer les valeurs propres","option_d":"Projeter les données sur les axes","option_e":"","option_f":"","bonne_reponse":"a","explication":"La première étape de l'ACP consiste à centrer et réduire les données pour éliminer les biais liés aux unités de mesure et aux échelles différentes.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Centrer et réduire les données\", \"b\": \"Calculer la matrice de c","_debug_options_count":4},{"id":155937,"question":"Les vecteurs propres d'une matrice de covariance sont toujours orthogonaux.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"a","explication":"Vrai. Les vecteurs propres d'une matrice symétrique (comme une matrice de covariance) sont toujours orthogonaux entre eux.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":155938,"question":"Quel est l'objectif principal de l'ACP ?","option_a":"Maximiser la variance expliquée par les premiers axes","option_b":"Minimiser le nombre de variables","option_c":"Classer les individus en groupes","option_d":"Calculer des moyennes pondérées","option_e":"","option_f":"","bonne_reponse":"a","explication":"L'objectif principal de l'ACP est de maximiser la variance expliquée par les premiers axes principaux, ce qui permet de réduire la dimensionnalité tout en conservant l'information essentielle.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Maximiser la variance expliquée par les premiers axes\", \"b\": \"Mi","_debug_options_count":4},{"id":155939,"question":"Si une matrice de covariance a une valeur propre nulle, que cela signifie-t-il ?","option_a":"Les données sont parfaitement corrélées","option_b":"Il existe une redondance dans les variables","option_c":"La matrice n'est pas inversible","option_d":"Les données sont centrées","option_e":"","option_f":"","bonne_reponse":"b","explication":"Une valeur propre nulle indique qu'il existe une redondance linéaire entre les variables, ce qui signifie qu'une variable peut être exprimée comme une combinaison linéaire des autres.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Les données sont parfaitement corrélées\", \"b\": \"Il existe une ","_debug_options_count":4},{"id":155940,"question":"L'ACP permet-elle de traiter des données catégorielles ?","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"b","explication":"Faux. L'ACP est conçue pour traiter des données quantitatives continues. Pour les données catégorielles, d'autres méthodes comme l'analyse des correspondances sont plus adaptées.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":155941,"question":"Quelle est la formule de la matrice de covariance ?","option_a":"Σ = (1\/n) * X^T * X","option_b":"Σ = (1\/(n-1)) * X^T * X","option_c":"Σ = X * X^T","option_d":"Σ = (1\/n) * X * X^T","option_e":"","option_f":"","bonne_reponse":"b","explication":"La matrice de covariance est calculée par Σ = (1\/(n-1)) * X^T * X, où X est la matrice des données centrées et réduites, et n est le nombre d'observations.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Σ = (1\/n) * X^T * X\", \"b\": \"Σ = (1\/(n-1)) * X^T * X\", \"c\": \"Σ ","_debug_options_count":4},{"id":155942,"question":"Dans l'ACP, les axes principaux sont toujours classés par ordre décroissant de variance expliquée.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"a","explication":"Vrai. Les axes principaux sont toujours classés par ordre décroissant de variance expliquée, le premier axe expliquant le plus de variance.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":155943,"question":"Quelle est l'interprétation d'un axe principal ayant une variance expliquée de 80% ?","option_a":"80% des données sont mal représentées","option_b":"80% de la variance totale est expliquée par cet axe","option_c":"80% des individus sont similaires","option_d":"80% des variables sont corrélées","option_e":"","option_f":"","bonne_reponse":"b","explication":"Une variance expliquée de 80% signifie que 80% de la variance totale des données est capturée par cet axe principal, ce qui est un bon indicateur de la qualité de la réduction de dimensionnalité.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"80% des données sont mal représentées\", \"b\": \"80% de la varian","_debug_options_count":4},{"id":155944,"question":"L'ACP peut-elle être utilisée pour détecter des outliers ?","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"a","explication":"Vrai. L'ACP permet de détecter des outliers en identifiant les points qui s'écartent significativement des axes principaux ou qui ont des distances de Mahalanobis élevées.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":155945,"question":"Quel est l'avantage principal de l'ACP par rapport à une analyse factorielle ?","option_a":"L'ACP ne nécessite pas d'hypothèses sur la structure des données","option_b":"L'ACP est plus simple à interpréter","option_c":"L'ACP conserve toutes les variables originales","option_d":"L'ACP est plus rapide à calculer","option_e":"","option_f":"","bonne_reponse":"a","explication":"L'avantage principal de l'ACP est qu'elle ne nécessite pas d'hypothèses préalables sur la structure des données, contrairement à l'analyse factorielle qui suppose un modèle latent.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"L'ACP ne nécessite pas d'hypothèses sur la structure des donné","_debug_options_count":4}]