O algoritmo de redução de dimensionalidade conhecido como Análise de Componentes Principais (PCA – Principal Component Analysis) possui características importantes. Dada a escolha de um número k de componentes principais e um conjunto de dados X com cinco variáveis A, B, C, D e E, o PCA
- A adiciona a média de cada observação para cada dimensão de X, normalizando-a depois pelo desvio-padrão.
- B constrói a matriz de confusão a partir de X, multiplicando-a pelos autovalores de seus vetores originais.
- C escolhe k autovetores aleatórios do conjunto original de dados.
- D preserva as distâncias geodésicas entre os pontos do espaço original dos dados por redução não linear.
- E retorna k combinações lineares dos atributos do conjunto {A,B,C,D,E}.