O que são scores_fatoriais e qual a sua importância? Só foi executados códigos e pouca explicação.
Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!
O que são scores_fatoriais e qual a sua importância? Só foi executados códigos e pouca explicação.
Olá, William! Tudo bem?
Você trouxe uma ótima pergunta!
Os "scores fatoriais" são valores que representam a contribuição de cada variável original na formação dos fatores ou componentes principais no contexto da Análise de Componentes Principais (PCA). Eles são importantes porque ajudam a entender como cada variável original está relacionada com os fatores extraídos, permitindo uma interpretação mais clara e precisa dos resultados do PCA.
Na prática, os scores fatoriais são calculados dividindo os autovetores pelos autovalores correspondentes. Esses scores podem ser vistos como pesos que indicam a importância de cada variável original na composição dos fatores. Por exemplo, se você tem um conjunto de dados sobre características de carros, como potência do motor e consumo de combustível, os scores fatoriais podem ajudar a entender quais dessas características têm maior influência em um fator que pode representar "desempenho do carro".
No seu caso, parece que o Scikit-learn não calcula automaticamente esses scores fatoriais, mas você pode derivá-los manualmente dividindo os autovetores pela raiz dos autovalores, como foi mencionado na aula. Isso permite que você utilize esses scores para criar os fatores de acordo com a fórmula do PCA.
Espero ter ajudado e fico à disposição se precisar.
Abraço e bons estudos!
Esse "desempenho do carro" poderia ser a nossa "variável alvo"?
Olá, William! Tudo bem?
Nesse exemplo, o “desempenho do carro” poderia até ser interpretado como uma variável que queremos explicar, mas não seria uma variável alvo no sentido tradicional de um problema de aprendizado supervisionado. Na PCA, não temos uma variável alvo definida. O objetivo é reduzir a dimensionalidade dos dados e encontrar componentes que resumam a maior parte da variabilidade existente entre as variáveis.
Se você tivesse, por exemplo, uma coluna chamada desempenho e quisesse utilizar potência, peso e consumo para prever esse desempenho, aí sim desempenho seria a variável alvo, e estaríamos falando de um problema supervisionado, como regressão. No exemplo da PCA, “desempenho” é apenas uma interpretação que poderíamos dar a um dos fatores encontrados, caso as variáveis relacionadas a ele tenham esse significado.
Essa distinção é importante porque a PCA não procura encontrar fatores que expliquem uma variável alvo específica. Ela procura encontrar novas combinações das variáveis originais que expliquem a maior quantidade possível da variância dos próprios dados.
Forte abraço!