Deve mais ou menos!

https://imbalanced-learn.readthedocs.io/en/stable/over_sampling.html#smote-adasyn

Que PODE ser um dado real!

• Dados ruidosos são informações que contêm erros, inconsistências ou ruídos que podem distorcer a análise e a interpretação dos dados.

​

• Esses dados podem surgir de várias fontes, como medições imprecisas, erros de entrada, falhas nos sensores ou interferências externas.

​

OBS.: Um dado ruidoso pode gerar um outlier

1. Normalização e Padronização: Realizar a normalização ou padronização dos dados deve ser feito após a divisão dos conjuntos.

​

• Tratamento de Dados Ausentes: Impute ou remova dados ausentes depois da divisão.

​

• Codificação de Variáveis Categóricas: A codificação deve ser realizada de forma que a variável categórica não revele informações do conjunto de teste ao conjunto de treinamento. Use técnicas como One-Hot Encoding após a divisão.

​

Vazamento de Dados

4. Remoção de Outliers: Identifique e remova outliers depois da divisão para garantir que o modelo não seja influenciado por dados extremos presentes no conjunto completo e no teste.

​

5. Divisão Aleatória: Realize a divisão de forma aleatória para garantir que ambos os conjuntos (treinamento e teste) sejam representativos da distribuição original dos dados. Guarde a semente de aleatoriedade!!

​

6. Validação Cruzada: Utilize validação cruzada (no conjunto de treinamento) para avaliar o modelo de forma robusta, garantindo que a avaliação não se baseie em um único conjunto de teste.

​

7. Separação de Dados Temporais: Se os dados forem temporais, mantenha a ordem temporal ao dividir os conjuntos, evitando que informações futuras sejam usadas para prever o passado.

​

Vazamento de Dados

https://www.bogotobogo.com/python/scikit-learn/scikit_machine_learning_Data_Compresssion_via_Dimensionality_Reduction_1_Principal_component_analysis%20_PCA.php

Combinação linear: Cada componente principal é uma combinação linear das variáveis originais, ou seja, é formada ao multiplicar cada variável por um peso e somar esses valores. Por exemplo, se você tem variáveis x1, x2 … xn são os pesos que definem a contribuição de cada variável para o componente.

​

​

​

onde os coeficientes a1, a2 ... an são os pesos que definem a contribuição de cada variável para o componente

Autovalores e autovetores: Para encontrar esses pesos, o PCA calcula a matriz de covariância dos dados e resolve um problema de álgebra linear para encontrar os autovetores e autovalores dessa matriz.

• Os autovetores indicam as direções no espaço dos dados onde a variância é máxima — ou seja, as direções dos componentes principais.
• Os autovalores correspondem à quantidade de variância que cada autovetor (componente) explica nos dados. O primeiro componente principal é o autovetor com o maior autovalor, capturando a maior parte da variação dos dados.

​

https://stats.stackexchange.com/questions/2691/making-sense-of-principal-component-analysis-eigenvectors-eigenvalues