Opciones de modelo para el nodo PCA/Factorial

Nombre del modelo. Puede generar el nombre del modelo de forma automática basándose en el campo objetivo o de ID (o en el nombre del tipo de modelo si se especifica ningún campo objetivo), o bien especificar un nombre personalizado.

Utilice datos en particiones. Si se ha definido un campo de partición, esta opción garantiza que sólo se utilicen los datos de la partición de entrenamiento para la generación del modelo.

Método de extracción. Especifica el método que se va a utilizar para la reducción de datos.

• Componentes principales. Método predeterminado que utiliza PCA para encontrar los componentes que resumen los campos de entrada.
• Mínimos cuadrados no ponderados. Este método de análisis factorial busca el conjunto de factores que mejor reproducen el patrón de relaciones (correlaciones) entre los campos de entrada.
• Mínimos cuadrados generalizados. Este método de análisis factorial es similar al de mínimos cuadrados no ponderados, con la diferencia de que utiliza una ponderación para restar importancia a los campos con gran cantidad de varianza exclusiva (no compartidas).
• Número máximo de verosimilitudes. Este método de análisis factorial genera las ecuaciones factoriales que pueden haber dado lugar, con mayor probabilidad, al patrón observado de relaciones (correlaciones) entre los campos de entrada, basándose en ciertos supuestos sobre la forma de dichas relaciones.
• Factorización de ejes principales. Este método de análisis factorial es muy similar al de componentes principales, con la diferencia de que se centra sólo en la varianza compartida.
• Factorización alfa. Este método de análisis factorial considera que los campos del análisis son una muestra del universo de campos de entrada potenciales. Maximiza la fiabilidad estadística de los factores.
• Factorización imagen. Este método de análisis factorial utiliza la estimación de los datos para aislar la varianza común y encontrar los factores que la describan.