Un método estadístico que extrae los patrones repetitivos principales de los datos reduciendo su dimensionalidad.El análisis de componentes principales (PCA) es una técnica estadística que reduce la dimensionalidad de un conjunto de datos conservando la mayor parte de su variabilidad posible. Identifica las direcciones, llamadas componentes principales, a lo largo de las cuales los datos varían más. El primer componente principal captura la mayor varianza, el segundo captura la siguiente mayor, y así sucesivamente, siendo cada componente ortogonal a los anteriores. Esta transformación permite que datos complejos y de alta dimensionalidad se visualicen y analicen en un espacio de menor dimensión, revelando a menudo estructuras ocultas.
El PCA fue introducido por Karl Pearson en 1901 como un método para encontrar líneas y planos que mejor se ajustan a un conjunto de puntos. Más tarde fue formalizado y popularizado por Harold Hotelling en la década de 1930, quien lo aplicó a la psicometría y la economía.
El PCA funciona calculando la matriz de covarianza de los datos y luego hallando sus vectores propios y valores propios. Los vectores propios definen las direcciones de máxima varianza, y los valores propios indican la cantidad de varianza a lo largo de cada dirección. Al proyectar los datos originales sobre los primeros vectores propios, se obtiene una representación comprimida que retiene la mayor parte de la información. El proceso equivale a realizar una descomposición en valores singulares de la matriz de datos.
El PCA se usa ampliamente en la compresión de imágenes, el reconocimiento facial, la genómica para analizar datos de expresión génica, y en finanzas para la gestión de riesgos y la optimización de carteras.
El PCA es la base matemática detrás de la técnica de 'eigenfaces' en el reconocimiento facial, donde un rostro se representa como una combinación de unas pocas imágenes de componentes principales.






