Análise de Componentes Principais
A Análise de Componentes Principais (PCA) é um método não supervisionado de redução de dimensionalidade — dado seu tratamento moderno em livros didáticos por Ian Jolliffe (2002) — que comprime dados de alta dimensionalidade em menos dimensões, preservando a máxima variância possível. Ela reexpressa variáveis correlacionadas como um pequeno conjunto de componentes principais não correlacionados, ordenados pela quantidade de variação dos dados que cada um captura.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Fontes
- Jolliffe, I.T. (2002). Principal Component Analysis (2nd ed.). Springer. DOI: 10.1007/b98835 ↗
Como citar esta página
ScholarGate. (2026, June 1). Principal Component Analysis (PCA). ScholarGate. https://scholargate.app/pt/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.
- Análise FatorialEstatística para pesquisa↔ compare
- Agrupamento HierárquicoAprendizado de máquina↔ compare
- Regressão LassoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →