Básicamente, la separación de grupos de PCA funciona visualmente.
Los componentes principales se dibujan secuencialmente a lo largo de los ejes con las variaciones más grandes, no los ejes que proporcionan la mejor separación. El escalado multidimensional, por ejemplo, que conserva las distancias, a menudo proporciona una mejor separación.
La razón por la cual PCA funciona y es común:
1. Es fácil de hacer. Toneladas de software lo hacen. No requiere mucha experiencia.
2. Funciona No es una coincidencia que los ejes con las variaciones más grandes también tienden a ser muy similares a los mejores ejes discriminatorios.
[CAVEAT: Sin embargo, no siempre funcionan y pueden malinterpretarse. El hecho de que un grupo no se separe de otro no significa necesariamente que sea similar, es solo que esa PC en particular no proporciona separación.]
- ¿Qué fracción de anotaciones de transcripción validadas podría predecirse computacionalmente solo a partir de la secuencia del genoma humano?
- Si nuestros genes tienen memoria, ¿no podrían ciertas incidencias provocar un recuerdo traumático que les sucedió a nuestros antepasados en nuestro propio cuerpo? ¿Podemos llegar a ser más como nuestros antepasados a través de ciertos estímulos?
- ¿Cuáles son los mejores libros sobre epigenética para un asesor genético?
- ¿Podría la simbiosis ser realmente un ejemplo de selección grupal?
- En genética, ¿qué hace que cruzar sea importante?
Si desea la mejor separación, use una función de discriminación (por ejemplo, análisis discriminante) o agrupamiento. Estos pueden ser supervisados (es decir, grupos conocidos) o no supervisados.
