No que se refere a técnicas, ferramentas e algoritmos de apr...

Gabarito: C - certo

O Análise de Componentes Principais (PCA, do inglês Principal Component Analysis) é de fato uma técnica estatística que tem como objetivo principal transformar um conjunto de variáveis possivelmente correlacionadas em um conjunto de variáveis linearmente descorrelacionadas. Isso é realizado através de uma transformação ortogonal.

O PCA busca identificar os eixos (principal components) que maximizam a variância nos dados, o que muitas vezes resulta em uma redução de dimensionalidade, pois é possível escolher somente os primeiros componentes principais que contêm a maior parte da variância. Com isso, consegue-se simplificar a complexidade do modelo sem perder muita informação. Essa característica torna o PCA uma ferramenta valiosa na etapa de pré-processamento de dados para algoritmos de aprendizado de máquinas, particularmente aqueles que podem sofrer com a maldição da dimensionalidade ou com variáveis fortemente correlacionadas que podem distorcer a performance do modelo.

Portanto, a afirmação de que o PCA converte atributos correlacionados em atributos linearmente descorrelacionados está correta, justificando o gabarito como C.

PCA é um método matemático que tem como objetivo converter um conjunto de dados que descrevem um elemento em um novo conjunto, menor. Os novos conjuntos de dados são denominados componentes principais.

É linear, simples e rápida e seus novos eixos são descorrelacionados.

Correto! A Análise de Componentes Principais (PCA) é um método estatístico multivariado que realiza exatamente o que foi mencionado na questão.

• Transforma um conjunto de objetos com atributos possivelmente correlacionados: Imagine que você tenha um conjunto de dados com diversas variáveis que podem estar interligadas entre si. Por exemplo, dados sobre altura, peso e idade de um grupo de pessoas.
• Em um conjunto de objetos com atributos linearmente descorrelacionados: Através da PCA, você consegue identificar novas variáveis, chamadas de componentes principais, que representam a maior parte da variabilidade presente nos dados originais. Essas novas variáveis são criadas de forma que não apresentem correlação linear entre si, facilitando a análise e interpretação dos dados.

Em resumo, a PCA te permite:

• Reduzir a dimensionalidade: Ao invés de lidar com diversas variáveis interligadas, você trabalha com um número menor de componentes principais, simplificando a análise.
• Capturar a variabilidade essencial: Os componentes principais representam as características mais importantes dos dados, fornecendo insights valiosos sobre o conjunto de objetos.
• Melhorar a visualização: Ao reduzir a dimensionalidade, a PCA facilita a visualização dos dados em gráficos e outras ferramentas visuais.

A ideia básica por trás do PCA é transformar um conjunto de variáveis correlacionadas em um conjunto de variáveis não correlacionadas, chamadas de componentes principais, que são combinações lineares das variáveis originais.

Só lembrar : correlacionados e não correlacionados.