Resumen

En la actualidad, los datos se generan en el mundo a gran velocidad; por lo tanto, reconocer características y reducir dimensiones de los datos sin perder información útil es de gran importancia. Existen muchas formas de reducción de dimensiones, incluido el método de análisis de componentes principales (PCA), que consiste en identificar dimensiones efectivas en un nivel aceptable, reduciendo la dimensión de los datos. En el método habitual de análisis de componentes principales, los datos suelen ser normales, o normalizamos los datos; luego, se utiliza el método de análisis de componentes principales. Se han realizado muchos estudios sobre el método de análisis de componentes principales como parte de la preparación de datos. En este documento, proponemos un método que mejora el método de análisis de componentes principales y facilita y hace más eficiente el análisis de datos. Además, primero identificamos las relaciones entre los datos ajustando la función cópula multivariante a los datos y simulamos nuevos datos utilizando los parámetros estimados; luego, reducimos las dimensiones de los nuevos datos mediante el método de análisis de componentes principales

• Materias:Ecuaciones diferenciales parciales Ecuación de difusión Sistema de discriminación Singularidad Acoplamiento electromecánico
• Subjects:Partial differential equations Diffusion equation Discrimination system Singularity Electromechanical coupling
• Palabras claves:Datos; Reducción de dimensiones; Análisis de componentes principales; Método; Información; Parámetros
• Keywords:Data; Dimension reduction; Principal component analysis; Method; Information; Parameters