PCA

PCA

1. Redução na dimensão de dados

2. Transforma um conjunto de variaveis originais correlacionadas, em um conjunto linear de variaveis não correlacionadas (componentes principais)

3. Identifica padroes nos dados, onde suas diferenças e semelhanças sejam destacadas

4. Objetivos;

   • Redução na dimensão
   • Combinações lineares
   • Variaveis mais uteis
   • Idendificação de grupos
   • Visualização multidimensional
   • obtenção de um pequeno numero de combinações lineares (C.P) de variaveis que contenham o maximo de informações das variaveis originais

5. Componentes Principais (C.P)

   • combinação linear das variaveis originais
   • são independentes (ñ correlacionadas) ORTOGONAIS
   • se apresentam em ordem decrescente ( da mais importante p/ a d menor importancia)
   • Variação ordenada (maior p/ menor)
   • x1,x2,x3 ---- y1,y2,y3
   • Z1= a11x1+a12x2+a13x3.....

6. Consiste em encontrar AUTOVALORES

   • AUTOVALORES
     • O valor que explica a importancia dos componentes na variação total dos dados.
     • o quanto um C.P explica na variação total dos dados
     • quanto maior o valor, maior a importancia dele
     • Os eixos; o primeiro explica a maior parte da variância, o segundo explica a maior parte da variância residual, e assim, sucessivamente
   • AUTOVETORES
     • o peso de cada variável original sobre cada componente
     • Valor que cada variável original tem dentro do componente

7. SCORES

   • Matriz de C.P * Matriz Original