# PCA explicado: La lógica secreta detrás de la reducción de dimensionalidad

## Summary
Este artículo desmitifica el Análisis de Componentes Principales (PCA) eliminando el enfoque de 'caja negra'. Explora la necesidad matemática de los vectores propios y valores propios, explica cómo proyectar datos en espacios no correlacionados para preservar la varianza y describe el proceso de optimización paso a paso necesario para construir el algoritmo desde cero.

## Content
{proj} = b^T \Sigma b$ es esencial. Le permite ver exactamente cuánta varianza se conserva a lo largo de su nuevo vector unitario $b$. Este rigor es similar a la precisión requerida al elegir entre RAG vs. fine-tuning para aplicaciones de IA específicas.Artículos relacionadosLas mejores motocicletas de turismo: 5 opciones principales para cada tipo de pilotoElegir la motocicleta de turismo adecuada requiere equilibrar el presupuesto, la comodidad y las necesidades específicas del piloto...Deje de adivinar: Cómo monitorear y evaluar realmente sus aplicaciones de LLMEsta guía explora la intersección crítica entre la evaluación y la observabilidad en sistemas impulsados por LLM...Dentro de LLaMA 4: Cómo funciona realmente Mixture-of-ExpertsUna exploración de la arquitectura Mixture-of-Experts (MoE) que impulsa a LLaMA 4. Esta guía desglosa cómo la activación dispersa...RAG vs. Fine-tuning: El secreto para elegir la estrategia de IA correctaEsta guía desmitifica la elección entre Retrieval Augmented Generation (RAG) y Fine-tuning. En lugar de verlos...Más allá de LoRA: Por qué DoRA es el nuevo estándar para el fine-tuning de LLMEste artículo explora la evolución del fine-tuning de LLM, pasando de las actualizaciones de parámetros completos tradicionales a métodos eficientes...                                                               La derivación matemática de la matriz de covarianza.  (Crédito: Jeswin Thomas vía Pexels)                              Fundamentos matemáticos: Proyección vectorial  La proyección vectorial es el acto de encontrar el componente de un vector que se encuentra en la dirección de otro. Si tenemos un vector $a$ y un vector unitario $b$, la proyección se define por el coseno del ángulo entre ellos. La magnitud de esta proyección es el producto punto de los dos vectores. Al multiplicar esta magnitud por el vector unitario $b$, obtenemos el vector de proyección en sí.  Cuando extendemos esto a un conjunto de datos completo, desplazamos toda la distribución. Esta proyección altera la media y la varianza de las características individuales. El vector de media proyectado se calcula como el producto punto del vector unitario y el vector de media original, mientras que la matriz de covarianza proyectada $\Sigma_{proj}$ se deriva de la matriz de covarianza original $\Sigma$ a través de la transformación $\Sigma_{proj}

---
Source: Kodawire (ES)