Regresión por componentes principales (PCR)
La regresión por componentes principales primero comprime un conjunto de predictores correlacionados en unos pocos componentes principales —las direcciones de mayor varianza— y luego regresa la respuesta sobre esos componentes. Al descartar las direcciones de baja varianza, la PCR estabiliza la estimación en presencia de multicolinealidad y alta dimensionalidad, a costa de elegir componentes sin referencia a la respuesta.
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.
Fuentes
- Jolliffe, I. T. (1982). A note on the use of principal components in regression. Journal of the Royal Statistical Society: Series C (Applied Statistics), 31(3), 300–303. DOI: 10.2307/2348005 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. ISBN: 978-0-387-84857-0
Cómo citar esta página
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/es/machine-learning/principal-components-regression
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.
- Regresión Lineal MúltipleEstadística↔ compare
- Regresión por Mínimos Cuadrados Parciales (PLS)Aprendizaje automático↔ compare
- Regresión RidgeAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →