Análise de componentes principais nesta visualização
Trace uma reta pela média dos dados e projete nela cada ponto. Na direção , a variância amostral das projeções é . Na matriz de covariâncias amostrais figuram as variâncias na diagonal e a covariância fora dela (as somas dividem-se por ). A análise de componentes principais escolhe a direção que maximiza esta variância. A reta pela média nessa direção é PC1; PC2 é perpendicular. A vermelho está , a amarelo as projeções. A barra grossa estende-se um desvio padrão para cada lado da média.
A soma das variâncias paralela e perpendicular é constante
Por Pitágoras, o quadrado da distância de cada ponto à média reparte-se pelas componentes paralela e perpendicular a . Somando, a variância ao longo de mais a variância perpendicular dá a variância total , independentemente da orientação de . Maximizar a primeira equivale a minimizar a segunda. Entre as retas pela média, PC1 minimiza a soma dos quadrados das distâncias perpendiculares. A reta de regressão de sobre minimiza a soma dos quadrados dos resíduos verticais. Numa nuvem dispersa, as duas retas podem diferir bastante.
Porque é que a solução é um vetor próprio
A matriz simétrica admite dois vetores próprios perpendiculares com valores próprios . Escrevendo nesta base, é uma média ponderada de e , máxima no primeiro vetor e mínima no segundo. Assim, PC1 e PC2 seguem as direções próprias de , com variâncias e , e PC1 conserva a fração do total. Na prática, a decomposição em valores singulares da matriz dos dados centrados fornece as mesmas direções.
As unidades alteram o resultado
As variâncias dependem das unidades. Com a altura em metros e o peso em quilogramas, o peso varia numericamente muito mais. Só isso faz PC1 quase coincidir com o eixo do peso. Com unidades diferentes, costuma padronizar-se cada variável: subtrai-se a média e divide-se pelo desvio padrão. Então passa a ser a matriz de correlação . Para duas variáveis, PC1 fica a 45° (−45° se ), com . Se , nenhuma direção se destaca.
O que observar
- Um eixo principal é uma reta: a sua direção só fica determinada a menos do sinal.
- Com muitas variáveis, algumas direções podem reter a maior parte da variância e permitir descrever os dados com menos números.
Controlos
- Arraste o controlo vermelho ou rode o seletor para orientar a reta. Quando o controlo tem o foco, as setas rodam a reta 1°.