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 ensembles 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 ensemble de données sur les 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 de l'ensemble de données.
- Les distances sont donc préservées.
- Un avantage pour les tâches et algorithmes prédictifs.
Masquage des données avec l'ACP
- Si ces valeurs produites sont publiées sans explication, on peut quand même entraîner des algorithmes dessus et obtenir des prédictions exactes.
- Les adversaires ne sauraient pas comment interpréter ces valeurs masquées.
Masquage des données avec l'ACP
# Explorer l'ensemble de données
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
# Obtenir les données sans la colonne cible x_data = df.drop(['target'], axis = 1)# Colonne cible sous forme de tableau de valeurs y = df.target.values
Masquage des données avec l'ACP et Scikit-learn
# Importer PCA de Scikit-learn from sklearn.decomposition import PCA# Initialiser l'ACP avec un nombre de composantes égal au nombre de colonnes pca = PCA(n_components=len(x_data.columns))# Appliquer l'ACP aux données x_data_pca = pca.fit_transform(x_data)
Masquage des données avec l'ACP et Scikit-learn
# Voir les données
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
# Créer un DataFrame à partir des données transformées par l'ACP df_x_data_pca = pd.DataFrame(x_data_pca)# Examiner la dimension de l'ensemble de données df_x_data_pca.shape
(1213, 13)
Utilité des données après masquage par ACP
- Effectuer une classification par régression logistique et vérifier la perte de justesse en comparant les données originales et celles obtenues.
$$
- La régression logistique est un algorithme de classification qui prédit une issue binaire à partir de variables indépendantes.
Utilité des données après masquage par ACP
Effectuer une classification par régression logistique et vérifier la perte de justesse.
# Diviser l'ensemble obtenu en données d'entraînement et de test x_train, x_test, y_train, y_test = train_test_split(x_data_pca, y, test_size=0.2)# Créer le modèle lr = LogisticRegression(max_iter=200)# Entraîner le modèle lr.fit(x_train,y_train)# Exécuter le modèle et prédire pour obtenir le score de justesse 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
Effectuer une classification par régression logistique et consulter le score avec les données originales
# Diviser l'ensemble obtenu en données d'entraînement et de test
x_train, x_test, y_train, y_test = train_test_split(x_data.to_numpy(),y,test_size = 0.2)
# Créer le modèle
lr = LogisticRegression(max_iter=200)
# Entraîner le modèle
lr.fit(x_train,y_train)
# Exécuter le modèle et prédire pour obtenir le score de justesse
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
