Análise de Componentes Principais (PCA)
A operação Análise de Componentes Principais (Principal component analysis ou PCA) tem como objetivo reduzir a dimensionalidade (em relação ao número de atributos) de uma base de dados. PCA é um procedimento estatístico que usa uma transformação ortogonal para converter um conjunto de observações com atributos possivelmente correlacionados em um conjunto de observações de atributos linearmente não-correlacionados, chamadas de componentes principais.
Conectores
| Entrada | Saída |
|---|---|
| Dados a serem tratados | Dados tratados |
Tarefa
Nome da Tarefa
Aba Execução
| Parâmetro | Detalhe |
|---|---|
| Número de componentes principais | O número de componentes principais final, i.e., os números de atributos a serem construídos pelo PCA |
| Atributo(s) previsor(es) | Atributos da base de dados que sofrerão pré-processamento |
| Atributo de saída | Atributo que terá a saída da operação |
Exemplo de Utilização
Objetivo: Utilizar a operação Análise de Componentes Principais para reduzir a dimensionalidade da base de dados Íris.
Base de Dados: Íris
Leia a base de dados Irís por meio da operação Ler dados.
Na operação Análise de Componentes Principais (PCA), preencha “PCA 2” no campo Nome da tarefa (opcional). Preencha 2 no campo Número de componentes principais. Selecione “petal_length”, “petalwidth”, “sepallength” e “sepalwidth” no campo Atributo(s) previsor(es). Preencha “atributo_final” no campo Atributo de saída.
Execute o fluxo e visualize uma amostra dos resultados do PCA. Abaixo é mostrada as 10 primeiras instâncias da base de dados com os atributos originais (“petal_length”, “petalwidth”, “sepallength” e “sepalwidth”) e o atributo de saída do PCA, i.e., o “atributo final”. Observe que os 4 atributos originais da base de dados foram transformados em um atributo que é uma estrutura vetorial com 2 posições correspondendo cada componente principal.
Dúvidas e/ou sugestões envie um e-mail para suporte@lemonade.org.br