O algoritmo de redução de dimensionalidade conhecido como Análise de Componentes Principais (PCA – Principal Component Analysis) possui características importantes. Dada a escolha de um número k de componentes principais e um conjunto de dados X com cinco variáveis A, B, C, D e E, o PCA A) adiciona a média de cada observação para cada dimensão de X, normalizando-a depois pelo desvio-padrão. B) constrói a matriz de confusão a partir de X, multiplicando-a pelos autovalores de seus vetores originais. C) escolhe k autovetores aleatórios do conjunto original de dados. D) preserva as distâncias geodésicas entre os pontos do espaço original dos dados por redução não linear. E) retorna k combinações lineares dos atributos do conjunto {A,B,C,D,E}.

E) retorna k combinações lineares dos atributos do conjunto {A,B,C,D,E}.

Questões Engenharia de Software Inteligencia Artificial

O algoritmo de redução de dimensionalidade conhecido como Análise de Componentes Princi...

Responda: O algoritmo de redução de dimensionalidade conhecido como Análise de Componentes Principais (PCA – Principal Component Analysis) possui características impo...

1Q1037256 | Engenharia de Software, Inteligencia Artificial, Inteligência da Informação, DATAPREV, FGV, 2024

O algoritmo de redução de dimensionalidade conhecido como Análise de Componentes Principais (PCA – Principal Component Analysis) possui características importantes.
Dada a escolha de um número k de componentes principais e um conjunto de dados X com cinco variáveis A, B, C, D e E, o PCA

✂️ a) adiciona a média de cada observação para cada dimensão de X, normalizando-a depois pelo desvio-padrão.
✂️ b) constrói a matriz de confusão a partir de X, multiplicando-a pelos autovalores de seus vetores originais.
✂️ c) escolhe k autovetores aleatórios do conjunto original de dados.
✂️ d) preserva as distâncias geodésicas entre os pontos do espaço original dos dados por redução não linear.
✂️ e) retorna k combinações lineares dos atributos do conjunto {A,B,C,D,E}.