Este ejercicio est谩 dise帽ado para mostrar c贸mo PCA puede simplificar y clarificar datos complejos, facilitando el an谩lisis y la interpretaci贸n de resultados.
Pod茅is consultar el desarrollo del an谩lisis, y conclusiones aqu铆:
(2) https://github.com/acastromartinez/GITHUB—R
En este caso utilizo el dataset 芦biopsy禄 del paquete MASS, uno de los m谩s populares y ampliamente utilizados en an谩lisis estad铆stico. Fue desarrollado por el grupo de Venables y Ripley, y acompa帽a el libro 芦Modern Applied Statistics with S禄.
El conjunto de datos 芦biopsy禄 contiene informaci贸n para la clasificaci贸n de tumores mamarios en <benignos> o <malignos> seg煤n caracter铆sticas obtenidas a partir de im谩genes de biopsias por aspiraci贸n con aguja fina, en masas mamarias. Los datos incluyen tanto caracter铆sticas cuantitativas de las c茅lulas como la clasificaci贸n final del tumor. Es un dataset peque帽o y manejable que ofrece diversidad de caracter铆sticas para aplicar m煤ltiples t茅cnicas de modelado y, es ideal para ense帽ar y experimentar con an谩lisis de datos y machine learning. Adem谩s, est谩 bien documentado y soportado en el paquete MASS de R.
PCA simplifica el an谩lisis y mejora la visualizaci贸n e interpretaci贸n de los resultados al transformar las variables originales en un nuevo conjunto de componentes principales o factores. Estos componentes retienen la mayor cantidad de informaci贸n posible, utilizando menos dimensiones. As铆, el primer componente principal explica la mayor parte de la varianza en los datos, mientras que cada componente subsiguiente captura la mayor cantidad de varianza restante sin redundar en la informaci贸n ya explicada por los componentes anteriores. El PCA es particularmente valioso para grandes conjuntos de datos, ya que permite una simplificaci贸n significativa del an谩lisis y una visualizaci贸n efectiva, sin sacrificar la informaci贸n relevante.
Este ejercicio no solo demuestra la potencia de PCA en el an谩lisis de datos biom茅dicos, sino que tambi茅n sirve como un recurso para quienes est谩n aprendiendo t茅cnicas de an谩lisis multivariante en R. Espero que os resulte de inter茅s, si fuera el caso.