|
|
|
<h3>Teoria</h3>
|
|
|
|
<p>Para melhor compreensão das análises feitas</p>
|
|
|
|
<hr>
|
|
|
|
<br>
|
|
|
|
<h4>Análise de Componentes Principai</h4>
|
|
|
|
A Análise de Componentes Principais (ACP) ou Principal Component Analysis (PCA) é um procedimento matemático que utiliza uma transformação ortogonal (ortogonalização de vetores) para converter um conjunto de observações de variáveis possivelmente correlacionadas num conjunto de valores de variáveis linearmente não correlacionadas chamadas de componentes principais. O número de componentes principais é menor ou igual ao número de variáveis originais. Esta transformação é definida de forma que o primeiro componente principal tem a maior variância possível (ou seja, é responsável pelo máximo de variabilidade nos dados), e cada componente seguinte, por sua vez, tem a máxima variância sob a restrição de ser ortogonal a (i.e., não correlacionado com) os componentes anteriores.
|
|
|
|
</p>
|
|
|
|
|
|
|
|
<h5>Exemplo visual do ACP</h5>
|
|
|
|
<img src="/uploads/83a75b781a8673e391c3444a2caed1b9/006-principal-component-analysis-individuals-factor-map-color-by-groups-1.png" width="65%">
|
|
|
|
|
