Regressão por Componentes Principais (PCR)
A regressão por componentes principais primeiro comprime um conjunto de preditores correlacionados em poucos componentes principais — as direções de maior variância — e, em seguida, regressa a resposta nesses componentes. Ao descartar direções de baixa variância, a PCR estabiliza a estimação na presença de multicolinearidade e alta dimensionalidade, ao custo de selecionar componentes sem referência à resposta.
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.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 2). Principal Components Regression (PCR). ScholarGate. https://scholargate.app/pt/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.
- Regressão Linear MúltiplaEstatística↔ compare
- Regressão por Mínimos Quadrados Parciais (PLS)Aprendizado de máquina↔ compare
- Regressão RidgeAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →