Questão de Fluência em Dados · FGV Receita Federal do Brasil 2023 - Manhã (nº 56)

A Análise de Componentes Principais (PCA) é uma técnica que simplifica conjuntos de dados complexos com muitas variáveis, encontrando as direções mais importantes (chamadas componentes principais) para representar a maior parte da informação dos dados de forma mais compacta.

(A) Incorreta: A discretização transforma variáveis contínuas em categorias ou intervalos, o que não é o objetivo da PCA.
(B) Correta: O objetivo principal da PCA é reduzir a dimensionalidade dos dados, ou seja, diminuir o número de variáveis, mantendo a maior parte da informação original ao projetar os dados em um novo conjunto de eixos (os componentes principais).
(C) Incorreta: A normalização ajusta a escala dos dados para um intervalo específico (ex: 0 a 1), sendo uma etapa de pré-processamento que pode ser feita antes da PCA, mas não é o objetivo da PCA.
(D) Incorreta: A padronização ajusta os dados para terem média zero e desvio padrão um. Assim como a normalização, é um pré-processamento comum e muitas vezes recomendado antes da PCA para evitar que variáveis com maior escala dominem os componentes, mas não é o objetivo da PCA em si. A armadilha aqui é confundir uma etapa preparatória com o propósito final da técnica.
(E) Incorreta: O cálculo de distâncias é uma operação que pode ser realizada após a PCA nos dados transformados, mas não é o objetivo da PCA. A PCA foca na transformação e simplificação dos dados.