Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Jump to bottom

Update README.md #63

Open
wants to merge 1 commit into
base: master
Choose a base branch
from
Open

Update README.md #63

Changes from all commits
Commits
Show all changes
1 commit
Select commit
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
2 changes: 2 additions & 0 deletions Machine Learning/Unsupervised Learning/Dimensional Reduction/PCA/README.md
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -17,6 +17,8 @@ Principal Components Analysis (PCA) é um algoritmo de Redução de Dimensionali

Essa técnica busca encontrar uma nova representação de dados tal que a variância dessa nova representação seja mantida comparado aos dados iniciais. Cada componente dessa nova representação possui uma quantidade de informação dele (proporcional a variância) e a redução de dimensionalidade ocorre quando se descarta os Componentes de menor importância (i.e. menor informação/variância), restando apenas os Componentes Principais.

Um dos problemas que pode aparecer são dados com escalas muito distintas (ordens de grandeza bem diferentes). Nesse caso, o resultado do PCA pode ser foremente influenciado por variáveis com ordem de grandeza bem grande, prejudicando o resultado. Uma forma de resolver isso seria a padronização dos dados (i.e., subtrair pela média e dividir pelo desvio padrão).

- **Links**:
- [Turing Talks: Aprendizado Não Supervisionado | Redução de Dimensionalidade](https://medium.com/turing-talks/aprendizado-n%C3%A3o-supervisionado-redu%C3%A7%C3%A3o-de-dimensionalidade-479ecfc464ea)
- [Machine Learning — Singular Value Decomposition (SVD) & Principal Component Analysis (PCA)](https://medium.com/@jonathan_hui/machine-learning-singular-value-decomposition-svd-principal-component-analysis-pca-1d45e885e491)
Expand Down