-
A Análise de Componentes Principais (ACP) ou Principal Component Analysis (PCA) é um procedimento matemático que utiliza uma transformação ortogonal (ortogonalização de vetores) para converter um conjunto de observações de variáveis possivelmente correlacionadas num conjunto de valores de variáveis linearmente não correlacionadas chamadas de componentes principais. O número de componentes principais é menor ou igual ao número de variáveis originais.
O pacote de software Weka (Waikato Environment for Knowledge Analysis) implementa uma biblioteca de Análise de Componentes Principais, além de outras técnicas de mineração de dados (data mining).
https://pt.wikipedia.org/wiki/Análise_de_componentes_principais
Gabarito: a)
-
NAO INTINDI NAAAAAAAADA !
-
Nos modelos de aprendizado de máquina, a utilização de muitas variáveis pode tornar o modelo complexo demais e fazer com que seu aprendizado não ocorra de forma satisfatória. A redução de dimensionalidade pode ser realizada de inúmeras maneiras, o que inclui métodos de fatorização ou decomposição de matrizes, como a análise de componentes principais (ACP ou PCA, em inglês).
-
Objetivo da ACP: Condensar a informação contida em diversas variáveis originais em um conjunto menor com uma perda mínima de informação.
Indicada para quando há grande número de variáveis correlacionadas, e se objetiva reduzir o n° de variáveis, sem perda significativa da informação.
Nos modelos de aprendizado de máquina, a utilização de muitas variáveis pode tornar o modelo complexo demais e fazer com que seu aprendizado não ocorra de forma satisfatória.
A redução de dimensionalidade pode ser realizada de inúmeras maneiras, o que inclui métodos de fatorização ou decomposição de matrizes, como a análise de componentes principais (ACP ou PCA, em inglês).
Explicação: https://www.youtube.com/watch?v=h-Xje7Klzw0