Análisis de Componentes Principales
El Análisis de Componentes Principales (PCA, por sus siglas en inglés) es un método de reducción de dimensionalidad no supervisado —dado su tratamiento moderno en manuales por Ian Jolliffe (2002)— que comprime datos de alta dimensionalidad en menos dimensiones, preservando la máxima varianza posible. Reexpresa variables correlacionadas como un pequeño conjunto de componentes principales no correlacionados, ordenados según la cantidad de variación de los datos que cada uno captura.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Fuentes
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/es/machine-learning/pca
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Análisis FactorialEstadística para la investigación↔ compare
- Agrupamiento jerárquicoAprendizaje automático↔ compare
- Regresión LassoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →