🔄 Componentes Principales
Combinaciones lineales de las variables originales que maximizan la varianza. PC₁ captura la máxima varianza posible, PC₂ la máxima varianza no correlacionada con PC₁, etc. Los loadings indican la contribución de cada variable al componente.
📊 Scree Plot y Varianza Explicada
Gráfico de valores propios (eigenvalues) vs número de componente. El "codo" indica cuántos componentes retener. La varianza explicada acumulada ayuda a decidir: típicamente se busca >70-80%. Regla de Kaiser: eigenvalues > 1.
🔄 Rotación (Varimax, Oblimin)
En análisis factorial, la rotación simplifica la interpretación. Varimax (ortogonal): maximiza varianza de loadings por factor. Oblimin (oblicua): permite factores correlacionados. La rotación no mejora el ajuste, solo la interpretabilidad.
📐 PCA vs Análisis Factorial
PCA maximiza varianza explicada; AF modela la estructura de covarianzas. PCA no tiene error específico; AF sí (comunalidades). PCA es para reducción de datos; AF para descubrir constructos latentes. En la práctica se usan de forma complementaria.
Explora los conceptos con ejemplos practicos disponibles en la simulacion interactiva de este modulo.
Intuicion
Los modelos predictivos usan datos historicos para pronosticar valores futuros o desconocidos.
Formula clave
Cada modelo tiene su formulacion matematica para relacionar predictores con respuesta.
Paso a paso
Sigue la metodologia: entrenamiento, validacion, evaluacion.
Error comun: Sobreajuste
El sobreajuste ocurre cuando el modelo aprende ruido en vez de senal.
Ejemplo concreto
Aplica cada modelo a problemas reales de prediccion.
Conexion
Estos modelos avanzan hacia ML (Curso 5) y aplicaciones (Curso 6).