Reducción de la dimensionalidad

¿Cuál es el principal objetivo de la reducción de la dimensionalidad en los datos?

• Aumentar la complejidad del modelo

• Reducir el ruido en los datos

• Aumentar el número de características

• Reducir el número de características manteniendo la mayor cantidad de información posible

¿Qué técnica se utiliza comúnmente para la reducción de la dimensionalidad?

• Regresión lineal

• K-means

• Análisis de Componentes Principales (PCA)

• Árboles de decisión

En PCA, las "componentes principales" son

• Variables originales seleccionadas aleatoriamente

• Nuevas variables que son combinaciones lineales de las variables originales

• Variables categóricas

• Variables que se eliminan del conjunto de datos

¿Qué se maximiza en PCA para determinar las componentes principales?

• La correlación entre variables

• La varianza explicada por cada componente

• El número de dimensiones

• El error de predicción

¿Cuál de los siguientes es un beneficio de usar PCA?

• Aumenta la dimensionalidad de los datos

• Mejora la precisión de todos los modelos predictivos

• Mejora la interpretabilidad reduciendo el número de características

• Siempre reduce el error de clasificación

En PCA, ¿cómo se ordenan las componentes principales?

• Por el número de variables involucradas

• Por el número de iteraciones necesarias

• Por su tamaño

• Por la cantidad de varianza explicada, de mayor a menor

En la reducción de la dimensionalidad, si se conserva el 90% de la varianza, ¿qué significa?

• Que el 90% de la información original está presente en las componentes seleccionadas

• Que se han eliminado el 90% de las características

• Que se ha incrementado el tamaño del dataset en un 90%

• Que el algoritmo se ha entrenado con un 90% de los datos

Para aplicar PCA es necesario tener las etiquetas

• Falso

• Verdadero