Disculpen compañeros. En la práctica ¿cómo podría interpretar ello, los autovalores y autovectores?. Gracias

¡De nada!, es un gusto para mi José. 😄

Me quedó muchísimo más claro. Mil gracias @DataEngel y @AnthonySQC

Y si quieres aprender a aplicar el algoritmo PCA, Kernels y otras cosas más con ejemplos (datasets) totalmente reales y prácticos, mírate este curso:

Curso Profesional de Machine Learning con Scikit-Learn

Está muy bueno. Aveces necesitamos ir a lo general y luego a lo particular, y esta bien :)

Fácil:

En machine learning tendrás que analizar grandes, pero grandes datasets y con grandes puede ser con hasta millones de parámetros. Entonces habrá veces que tendrás que tendrás que reducir el número de variables de forma que pasemos a tener el mínimo número de nuevas variables y que representen a todas las antiguas variables de la forma más representativa posible. Esto por costos computacionales, principalmente, aunque hay muchas más razones. Eso se puede hacer con el algoritmo PCA y estos son los pasos básicos del algoritmo PCA:

Los 5 pasos del proceso PCA:

• Cargar los datos
• Normalizarlos
• Obtener los auto vectores y autovalores a partir de la matriz de covarianza
• Seleccionar los auto vectores correspondientes a las componentes principales
• Proyectar el dataset original sobre el nuevo espacio de dimensión < 4

Como podrás apreciar, es indispensable saber de auto vectores y autovalores para aplicar el algoritmo PCA y reducir la dimensionalidad, generando una muestra significativa de los datos. Si, lo sé, el concepto por si solo no tiene aplicaciones practicas, pero, ¿para que sirve la suma por si sola?, para nada, ¿verdad? pero que pasa cuando la utilizas para contar unos conjuntos de manzanas para el mandado,¿usarías la suma, verdad? Bueno, pasa lo mismo con ese tipo de conceptos, por si solo no hacen sentido, pero en conjunto con otros factores y otras técnicas, si hacen mucho sentido.

Son elementos matemáticos de interés que usarás para otros cálculos matemáticos, de la misma forma esta pensada la diagonal de una matriz, su determinante, su inversa, etc... Están pensadas para aplicar cálculos con ellas y obtener resultados que buscamos.