Quiz 1 Métodos Estadísticos - ML

¿Cuál es el objetivo principal del Análisis de Componentes Principales (PCA)?

• Reducir el número de observaciones en un conjunto de datos.

• Identificar las relaciones no lineales entre las variables.

• Reducir la dimensionalidad del conjunto de datos manteniendo la mayor varianza posible.

• Establecer la correlación exacta entre todas las variables.

¿Qué representa un "componente principal" en el contexto de PCA?

• La variable que tiene la mayor correlación con la variable dependiente.

• Una combinación lineal de las variables originales que maximiza la varianza.

• Un valor único que representa una variable específica en los datos.

• Un valor calculado que minimiza el error de predicción de un modelo de regresión.

¿Qué sucede cuando se selecciona un número de componentes principales menor al número de componentes que capturan la mayor parte de la varianza en PCA?

• El modelo perderá toda la información de los datos.

• Se simplificará el modelo, pero se perderá parte de la varianza y la información.

• El modelo mejorará en precisión.

• La matriz de covarianza se volverá diagonal.

¿Cómo se interpreta el valor propio (eigenvalue) en PCA?

• Indica la cantidad de varianza explicada por cada componente principal.

• Es una medida de la importancia de una variable en el análisis.

• Representa la correlación entre las variables originales.

• Es el número de componentes principales que deben seleccionarse para el análisis.

¿Qué transformación matemática se aplica en PCA para obtener los componentes principales?

• Transformada de Fourier.

• Mínimos Cuadrados Ponderados.

• Descomposición en valores singulares (SVD) o descomposición de la matriz de covarianza.

• Procesamiento de imágenes.