Un recensement national recueille environ 500 réponses par personne. Quelle paire d'algorithmes serait appropriée pour obtenir des informations à partir de ces données d'enquête de haute dimension ? (Choisissez deux.)

Pour des données d'enquête de haute dimension (500 réponses par personne), l'objectif est de réduire la dimensionnalité et de trouver des regroupements significatifs. L'algorithme Principal Component Analysis (PCA) est idéal pour la réduction de dimensionnalité. Il transforme les données en un ensemble de nouvelles variables (composantes principales) qui capturent la majeure partie de la variance, permettant de simplifier les données tout en conservant l'information essentielle. L'algorithme de clustering k-means est approprié pour regrouper les répondants en fonction de leurs similarités dans les réponses. Il identifie des clusters distincts, ce qui peut révéler des segments de population ou des profils de répondants. Factorization Machines (FM) sont principalement utilisées pour les systèmes de recommandation. Latent Dirichlet Allocation (LDA) est un modèle de sujet pour les données textuelles. Random Cut Forest (RCF) est un algorithme de détection d'anomalies. Ces trois algorithmes ne sont pas les plus adaptés pour l'analyse de données d'enquête de haute dimension dans ce contexte.