ANÁLISIS DE COMPONENTES PRINCIPALES 📊 (PCA) 📈

[@mapa5000]

Que gran explicación !!!! Es un tema complejo y tú lo haces simple y entendible. Muchas gracias !!! Estoy haciendo un Máster en Data Analytics y es la mejor explicación que he visto. Saludos desde Houston !!

[@bayronandresguama1103]

¡¡¡genial!! me sirvió para un proyecto que estamos implementadno en la universidad. En otro canal utilizaban una libreria llamada mglearn que a lafecha no funciona pero la forma en que lo realizas funciona sindepender de eso.

[@luisarroyo8612]

La explicación es muy intuitiva, paso a paso, con ejemplos claros y funcionales, gracias por tu aporte

[@ValentinVillanueva-v2z]

Tremendo!! Gracias!!!

[@amadodejesusvazquezacuna5644]

Que magnifica explicación . Tengo una duda referente al preprocesamiento de los datos con StandarScaler y MinMaxScaler, en que casos es mejor usarlas tanto para algoritmos de regresión y clasificación?

[@biela2820]

Muy bueno el vídeo! Estaría interesante que después de aplicar PCA continuaras con un modelo para que quede clara su utilidad, ya que se siente un poco a medias el vídeo si realmente después no se ve en la practica en que afecta, a raíz de esto me han salido varias dudas: 1. Después de aplicar componentes es mejor utilizar como dataset las componentes o los datos originales? 2. Con PCA puedo deducir que variables son mas parecidas entre ellas y quitarlas del modelo? Muchas gracias por tu tiempo Errodringer :)

[@jonathanq.s3383]

Te adoro Errodringer, este vídeo me fue de mucha utilidad, muy buena explicación!

[@arufuredo]

Qué tal? Muy buen video, es realmente muy claro. Vengo hace rato tratando de aprender bien este tipo de técnicas y con este video me llevé una sorpresa, es uno de los primeros que veo con una explicación tan clara y aplicada! La teoría matemática ya la sé, pero me faltaba el puntapie final para poder aplicarlo, muchísimas gracias por esto y por tu tiempo! Saludos desde Argentina :)

[@errodringer]

Me alegro muchísimo que te haya servido el vídeo, Gustavo. Saludos desde España!

[@jaimejacobc]

Consulta, al final terminamos con 3 grupos claramente definicos en los 3 ejes PCA1, PCA2 y PCA3. ¿Esos físicamente qué significan? ¿Es decir como se relacionan eso con las variables originales longitud y ancho del sépalo, etc?

[@charto2467]

Me encantó tu video hermano, un abrazo y muchas gracias por mostrar esta información así tan clara y con buenas animaciones y música.

[@juandiego7119]

Gracias por tu video, aun estoy iniciando pero tengo algunas dudas: 1. Un poco en Resumen, el PCA nos ayuda a comprimir nuestros atributos del dataframe? pero que gano comprimiendo?? o se usa cuando tengo un monton de caracteristicas... 2. Cuando dices graficas en 2D o 3D? esto se refiere a los componentes que elegiste comprimir? osea PCA2 o PCA3? si pongo 4 que pasaria?..mm no entendi muy bien cuando pintas de colores cada color que me estaria indicando? 3. Si escojo este algoritmo PCA para mi problema, deberia seguir adelante con ese "nuevo dataframe" que se generó al final verdad? por ejmplo de columnas pca1 pca2 pca3 class 4. que hay del LDA? Perdona por tantas dudas, un saludo y gracias

[@errodringer]

Buenas JDiego! gracias por el comentario! voy a tratar de responderte a tus preguntas, siempre bajo mi criterio y experiencia: 1. Ganar lo que es ganar, no ganas nada. Es mas, como poco pierdes algo de informacion. 2. Claro, cuando digo para representaciones en 2 o 3D me refiero a cuando haces PCA con 2 o 3 componentes respectivamente. Con los colores estoy indicando la clase de la flor Iris que pertenece cada punto pintado en el espacio, las casos son setosa, virginica y versicolor. No tiene nada que ver el numero de colores, que seria el numero de clases que tiene ese dataset, con el numero de componentes. 3. Yo si hago PCA de 3 componentes, por ejemplo, para representacion grafica, luego volveria a coger el dataset original. A mi es lo que me gusta por que tiene la informacion original y al 100%, aunque habra que ver si en algun caso concreto te conviene seguir adelante solo con un numero reducido de componentes (2, 3, 4...). 4. el LDA es otra tecnica de ML no supervisado, pero en este caso, segun tengo entendido es para extraer topicos (o temas) similares por ejemplo cuando estamos analizando texto (NLP) Espero haberte aclarado un poco las dudas. Se que a lo mejor te quedas un poco indiferente en algunos puntos, pero en el analisis de datos al final, lo suyo (segun mi criterio) es ir probando que te viene mejor. Soy partidario de que si hay tiempo, se exploren todas las opciones posibles! jaja Muchas gracias de nuevo por el comentario y seguimos por aqui!

[@juandiego7119]

@@errodringer Gracias!!!

[@dariofabian8819]

Se puede utilizar PCA1 para entrenar un modelo de prediccion con Prophet? Como se haría para convertir los valores de prediccion de PCA1 a nuestra escala original?

[@luciacastillo496]

Muy buena la explicación pana!

[@capoeiracordoba]

Gracias por tus videos! Son de mucha ayuda... un saludo!

[@errodringer]

Muchas gracias por el comentario, Alfonso! Los hago por entretenimiento y, si sirven de ayuda, pues mejor!

[@maxoarts]

acabo de entrar a la uni ya me pidieron esto :o 💀💀

[@justadreamer6185]

Un groso Cerati aprendiendo machine learning

[@580Tutorial]

Hola, excelente video! Tengo una duda, realmente lo que quiero hacer es una red neuronal para la predicción de contaminantes, primeramente de Ozono. Por tanto, tengo un conjunto de datos con los valores medidos por hora de Ozono, así como otras variables como lo son: temperatura, radiación, precipitación etc. Y quiero aplicarles PCA, para saber cuales son las mejores variables para elegir como entradas. Puedo aplicar PCA a mi conjunto de datos? Bueno, realmente ya lo aplique viendo otros videos. Pero como sabe python o como decirle que quiero que me de las mejores variables que se relacionen con el Ozono. Porque en tu ejemplo tienes establecidas las clases, mientras que en mi caso son valores numéricos y se podría decir que una sola clase "Ozono". Muchas gracias, saludos.

[@toniiicarbonelll287]

qué arte explicando illo!

[@errodringer]

jaja muchas gracias Toni por comentar!

[@MichiHerbar]

good explanation!! amazing!!

[@Carlos-dr9zn]

Buenos días, muy buen vídeo. Sabes como puedo escribir las pca en funcion de las variables originales?

[@errodringer]

No entiendo tu pregunta, las PCA siempre se hacen en función de las variables originales

[@Carlos-dr9zn]

@@errodringer Sí pero me gustaría saber cuánto de cada variable original compone cada PCA. Es decir, me gustaría conocer los eigenvectors o los autovectores de la matriz de covarianza.

[@rodrigoHHH]

qué hace python cuando tiene que normalizar un vector con strings como "clase" del ejemplo ?

[@griseloaxacaonate3052]

Buen contenido, pero esta atascado de anuncios x.x

[@isaacdavidpinedasirias1390]

Aquí te va tu "Like".

[@errodringer]

Oleee!! jajaja. muchas gracias Isaac!

[@franciscomiranda3239]

Como de interpreta pca con ejemplos reales. Uso práctico

[@celsorodrigoriverarojo8905]

Hola, cómo puedo hacer una regresión por componentes principales? Gracias!!

[@errodringer]

Buenas! pues una vez tienes las componentes principales como se indica en el video, lo que te quedaria es hacer una regresion utilizando las nuevas variables generadas. Para la regresion tengo un par de videos explicativos: kzbin.info/www/bejne/in2wf5Wme6agnNk

[@jesuslamoneda]

Andaluz súper cerrado 😂

[@miguelhernandezbarrionuevo9380]

like