Discussão do artigo "Seleção de características e redução de dimensionalidade com Análise de Componentes Principais (PCA)"
O tópico é, obviamente, eterno e sempre relevante.
Seria bom ter métodos diferentes no artigo para comparar sua eficácia, não em dados sintéticos, mas em dados reais.
Tentei aumentar o número de recursos para 5.000 e de linhas para 10.000 - esperei três dias pelo resultado - nenhum resultado. Então, eu me pergunto se a qualidade sofreria significativamente se dividíssemos o número de recursos em grupos, digamos, 100 exemplos cada, e depois reuníssemos os vencedores de cada grupo para uma seleção final?
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Seleção de características e redução de dimensionalidade com Análise de Componentes Principais (PCA) foi publicado:
A previsão de séries temporais financeiras frequentemente envolve a análise de inúmeras características, muitas das quais podem ser altamente correlacionadas. Métodos de redução de dimensionalidade, como a Análise de Componentes Principais (Principal Component Analysis, PCA), podem ajudar a criar uma representação mais compacta desses objetos. No entanto, o PCA tem suas limitações, especialmente na presença de variáveis fortemente correlacionadas. Nesses casos, o PCA tende a exibir um efeito de agrupamento, no qual um conjunto de variáveis altamente correlacionadas, em conjunto, contribui para um determinado componente principal. Em vez de destacar uma variável específica, o PCA distribui a influência de forma relativamente uniforme por todas as variáveis dentro do grupo correlacionado.
Essa distribuição uniforme pode ser útil para a supressão de ruído, já que os componentes principais ressaltam padrões comuns, em vez de flutuações aleatórias características apenas de variáveis individuais. No entanto, essa supressão de ruído tem um custo: frequentemente reduz a contribuição das variáveis individuais em cada componente principal. Variáveis que poderiam ser relevantes por si só podem parecer menos importantes no espaço transformado, já que sua influência é absorvida por uma estrutura mais ampla, coberta pelo grupo. Isso pode ser uma limitação significativa em tarefas como seleção de variáveis, onde o objetivo é identificar as características mais importantes, ou em análise de causas fundamentais, onde a compreensão da influência direta de variáveis específicas é crucial.
Autor: Francis Dube