ACP pour l'anonymisation
Confidentialité des données et anonymisation en Python
Rebeca Gonzalez
Data engineer
Analyse en composantes principales (ACP)
$$ $$ Méthode de réduction de dimension souvent utilisée pour réduire la dimensionnalité de grands jeux de données.
Masquage des données avec l'ACP
L'ACP crée de nouvelles « composantes principales » à partir de transformations linéaires des variables d'origine.
Dans un jeu de données de bières, l'ACP construit de nouvelles variables. Par exemple :
$$ 2\times AlcoholicVolume - BitternessLevel$$
Masquage des données avec l'ACP
Nouvelles projections des données
Masquage des données avec l'ACP
ACP sans réduction de dimension
$$
- Ce n'est qu'une rotation de l'espace original du jeu de données.
- Les distances sont donc préservées.
- Un atout pour les tâches et algorithmes prédictifs.
Masquage des données avec l'ACP
- Si ces valeurs résultantes sont publiées sans explication, des algorithmes peuvent encore être entraînés dessus et produire des prédictions fiables.
- Les adversaires ne sauraient pas interpréter ces valeurs masquées.
Masquage des données avec l'ACP
# Explore the dataset
heart_df.head()
age sex cp trestbps chol fbs restecg thalach exang oldpeak slope ca thal target
0 63 1 3 145 233 1 0 150 0 2.3 0 0 1 1
1 37 1 2 130 250 0 1 187 0 3.5 0 0 2 1
2 41 0 1 130 204 0 0 172 0 1.4 2 0 2 1
3 56 1 1 120 236 0 1 178 0 0.8 2 0 2 1
4 57 0 0 120 354 0 1 163 1 0.6 2 0 2 1
Masquage des données avec l'ACP et Scikit-learn
# Obtain the data without the target column x_data = df.drop(['target'], axis = 1)# Target column as array of values y = df.target.values
Masquage des données avec l'ACP et Scikit-learn
# Import PCA from Scikit-learn from sklearn.decomposition import PCA# Initialize PCA with number of components to be the same as the number of columns pca = PCA(n_components=len(x_data.columns))# Apply PCA to the data x_data_pca = pca.fit_transform(x_data)
Masquage des données avec l'ACP et Scikit-learn
# See the data
x_data_pca
array([[-1.22673448e+01, 2.87383781e+00, 1.49698788e+01, ...,
7.31102828e-01, -2.90393586e-01, 5.12575925e-01],
[ 2.69013712e+00, -3.98713736e+01, 8.77882303e-01, ...,
4.04206943e-01, -4.25920179e-01, -1.48124511e-01],
[-4.29502141e+01, -2.36368199e+01, 1.75944589e+00, ...,
-9.15397287e-01, 2.17828257e-01, 7.97593843e-02],
...,
Masquage des données avec l'ACP et Scikit-learn
# Create a DataFrame from the resulting PCA transformed data df_x_data_pca = pd.DataFrame(x_data_pca)# Inspect the shape of the dataset df_x_data_pca.shape
(1213, 13)
Utilité des données après masquage par ACP
- Effectuez une classification par régression logistique et vérifiez la perte de précision en comparant les données originales et transformées.
$$
- La régression logistique est un algorithme de classification qui prédit une issue binaire à partir de variables explicatives.
Utilité des données après masquage par ACP
Réalisez une classification par régression logistique et observez la perte de précision.
# Split the resulting dataset into training and test data x_train, x_test, y_train, y_test = train_test_split(x_data_pca, y, test_size=0.2)# Create the model lr = LogisticRegression(max_iter=200)# Fit train the model lr.fit(x_train,y_train)# Run the model and perform predictions to obtain accuracy score acc = lr.score(x_test, y_test) * 100 print("Test Accuracy is ", acc)
Test Accuracy is 85.24590163934425
Utilité des données avant masquage par ACP
Réalisez une classification par régression logistique et observez le score avec les données originales
# Split the resulting dataset into training and test data
x_train, x_test, y_train, y_test = train_test_split(x_data.to_numpy(),y,test_size = 0.2)
# Create the model
lr = LogisticRegression(max_iter=200)
# Fit train the model
lr.fit(x_train,y_train)
# Run the model and perform predictions to obtain accuracy score
acc = lr.score(x_test,y_test) * 100
print("Test Accuracy is ", acc)
Test Accuracy is 85.24590163934425
Passons à la pratique !
Confidentialité des données et anonymisation en Python
