Pular para o conteúdo
Even3

Conceitos de quimiometria e análise exploratória com PCA

Trecho de 1 min 54 s de Apresentação de trabalhos científicos, gravado no evento XXI Semana de Engenharia Química | XXI SENQ | UFAL.

Assistir à gravação completaNo Even3 Conteúdos · 1 h 1 min

Sobre este trecho

O apresentador explica o papel da quimiometria na ciência de dados e como a Análise de Componentes Principais (PCA) reduz a dimensionalidade dos dados.

Vai de a da gravação.

O que é dito neste trecho

E para a gente entender melhor o que são esses métodos de padrões de reconhecimento de padrões, a gente precisa falar inicialmente de quimiometria. A quimiometria é uma parte da ciência de dados destinada a estudar especificamente dados químicos de natureza multivariada e dentre a dentre as subáreas existentes da quimiometria existe o reconhecimento de padrões. E esse reconhecimento de padrões pode ser não supervisionado, também chamado de análise exploratória, onde eu não tenho conhecimento nenhum sobre as classes às quais as minhas amostras elas pertencem. E aí as amostras elas vão se agrupar basicamente conforme a natureza apresentada por elas. E aí dentro dos métodos mais utilizados nós temos a análise de componentes principais, também conhecida como PCA, e análise por agrupamento hierárquico, também conhecido como HCA. O reconhecimento de padrões ele também pode ser supervisionado, onde eu tenho um conhecimento prévio sobre a classificação das minhas amostras e esse conhecimento é utilizado durante a construção do meu modelo. E a partir daí eu tenho que os dentro dos modelos mais utilizados eu tenho o SIMCA e o do caésimo vizinho mais próximo, também conhecido como KNN. E para a gente iniciar falando sobre esses modelos a gente começa pelos modelos de análise exploratória ou reconhecimento não supervisionado. E a gente tem que o PCA, né, a PCA, análise de componentes principais, ela vai consistir de uma decomposição da matriz de dados originais num produto de duas matrizes denominadas scores e pesos, mais uma matriz de erros. E qual a vantagem desse método? A vantagem que a gente vai obter o que é chamado de componentes principais, que vão concentrar a maior parte da informação em poucas variáveis. E isso é importante porque a gente vai diminuir a dimensionalidade dos nossos dados, facilitando a observação da similaridade entre as amostras, como a gente pode ver aqui, inclusive para detecção de amostras anômalas.

Outros trechos deste conteúdo