{"title":"维降维问题。主成分分析(PCA)","authors":"Sergio A. Pernice","doi":"10.21789/22561498.2057","DOIUrl":null,"url":null,"abstract":"En este trabajo de investigación se presenta la técnica de Principal Component Analysis (PCA), y su aplicación práctica al aprendizaje automático (machine learning). La intención es abordar la problemática de la reducción dimensional o compresión de datos. A partir de un análisis intuitivo, se espera acercar a los economistas y otros profesionales de las ciencias sociales estas ideas que, generalmente, resultan ajenas a sus discusiones.","PeriodicalId":78257,"journal":{"name":"Farmacognosia; anales del Instituto Jose Celestino Mutis","volume":"42 6","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-10-27","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"El problema de la reducción dimensional. Análisis de Componentes Principales (PCA)\",\"authors\":\"Sergio A. Pernice\",\"doi\":\"10.21789/22561498.2057\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"En este trabajo de investigación se presenta la técnica de Principal Component Analysis (PCA), y su aplicación práctica al aprendizaje automático (machine learning). La intención es abordar la problemática de la reducción dimensional o compresión de datos. A partir de un análisis intuitivo, se espera acercar a los economistas y otros profesionales de las ciencias sociales estas ideas que, generalmente, resultan ajenas a sus discusiones.\",\"PeriodicalId\":78257,\"journal\":{\"name\":\"Farmacognosia; anales del Instituto Jose Celestino Mutis\",\"volume\":\"42 6\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-10-27\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Farmacognosia; anales del Instituto Jose Celestino Mutis\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.21789/22561498.2057\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Farmacognosia; anales del Instituto Jose Celestino Mutis","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21789/22561498.2057","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
El problema de la reducción dimensional. Análisis de Componentes Principales (PCA)
En este trabajo de investigación se presenta la técnica de Principal Component Analysis (PCA), y su aplicación práctica al aprendizaje automático (machine learning). La intención es abordar la problemática de la reducción dimensional o compresión de datos. A partir de un análisis intuitivo, se espera acercar a los economistas y otros profesionales de las ciencias sociales estas ideas que, generalmente, resultan ajenas a sus discusiones.