WorksheetsReducción de la Dimensionalidad
Total questions: 6
Worksheet time: 5mins
Dodo el siguiente gráfico de varianza acumulada... ¿Cuantas dimensiones deberíamos conservar si queremos mantener al menos el 80% de la varianza?
(a)
¿El PCA es más adecuado para datos con alta o baja dimensionalidad?
Alta dimensionalidad.
Baja dimensionalidad.
¿Qué información proporciona la matriz de cargas en PCA?
La matriz de varianza-covarianza de los datos.
La matriz de covarianza entre las componentes principales.
La proporción de varianza explicada por cada componente principal.
Los valores singulares de la matriz de covarianza.
Los datos originales después de la reducción de dimensionalidad.
¿Cuál es el objetivo principal del Análisis de Componentes Principales?
Eliminar todas las variables correlacionadas en un conjunto de datos.
Reducir la dimensionalidad de los datos manteniendo la mayor cantidad de información posible.
El Análisis de Correspondencias se recomienda para variables de tipo:
Cuantitativas
Cualitativas
Dummy
Cualitativas y Cuantitativas
Tiene mejores representaciones visuales
Análisis de Componentes Principales
Análisis Factorial
Análisis de Correspondencias
Análisis Cluster
