O que é PCA e como funciona a redução de dimensionalidade
Trecho de 1 min 19 s de Aplicações da Inteligência Artificial nos processos de engenharia, gravado no evento STCT Norte-Nordeste.
Assistir à gravação completaNo Even3 Conteúdos · 1 h 5 minSobre este trecho
Uma explicação concisa sobre o funcionamento da Análise de Componentes Principais (PCA) e a preservação da variabilidade dos dados.
Vai de a da gravação.
O que é dito neste trecho
Qual é a ideia da análise de componentes principais? A ideia é você fazer uma transformação dos dados, uma rotação dos meus dados de forma que eu consiga projetar o meu conjunto original em outro conjunto de dados, né, em outro espaço vetorial de tal forma que ele indique a máxima variabilidade dos meus dados. Então nesse exemplo aqui, eh eu tenho só para em de forma ilustrativa, eu tenho dois dados aqui, né, dois conjuntos, o x e o y, tão aqui plotados. Então o sentido é essa seta vermelha aqui, a maior probabilidade tá nesse sentido. A segunda componente, esse aqui no caso seria minha primeira componente principal, né? E a segunda componente, ela é por definição ortogonal à primeira e aponta para a segunda maior variabilidade dos dados. Então a ideia é eu pegar os dados originais e projetar eles nesse novo conjunto de dados que é esse conjunto chamado de conjunto das componentes principais. Ele está apenas eh ele preserva a variabilidade dos dados. E de forma bem simples e resumida, matematicamente o que ele o que o PCA faz é calcular autovetores e autovalores de uma matriz de covariância, né? Então temos o nosso conjunto inicial de dados que seria os sinais, a gente faz o cálculo da matriz de covariância desses dados e vamos atrás dos autovetores e autovalores dessa matriz de covariância.
Outros trechos deste conteúdo

Vantagens das redes neurais na indústria
Trecho de a da gravação

Uso da espectroscopia NIR no monitoramento industrial
Trecho de a da gravação