Regressão por Componentes Principais (PCR)

2.1.8

Regressão por Componentes Principais (PCR)

Atualizado 2020-05-06 Leitura 3 min
Resumo
  • A Regressão por Componentes Principais (PCR) aplica PCA para comprimir variáveis antes de ajustar a regressão linear, reduzindo a instabilidade causada pela multicolinearidade.
  • Os componentes principais priorizam direções com grande variância, filtrando eixos ruidosos enquanto preservam a estrutura informativa.
  • A escolha de quantos componentes manter equilibra o risco de sobreajuste e o custo computacional.
  • O pré-processamento adequado — padronização e tratamento de valores ausentes — estabelece a base para precisão e interpretabilidade.

Intuição #

Este método deve ser interpretado através de suas suposições, condições dos dados e como as escolhas de parâmetros afetam a generalização.

Explicação Detalhada #

Formulação Matemática #

Aplique PCA à matriz de design padronizada \(\mathbf{X}\) e retenha os \(k\) principais autovetores. Com os escores dos componentes principais \(\mathbf{Z} = \mathbf{X} \mathbf{W}_k\), o modelo de regressão

$$ y = \boldsymbol{\gamma}^\top \mathbf{Z} + b $$

é aprendido. Os coeficientes no espaço original de variáveis são recuperados via \(\boldsymbol{\beta} = \mathbf{W}_k \boldsymbol{\gamma}\). O número de componentes \(k\) é selecionado usando a variância explicada acumulada ou validação cruzada.

Experimentos em Python #

Avaliamos os escores de validação cruzada da PCR no conjunto de dados diabetes à medida que variamos o número de componentes.

from __future__ import annotations

import japanize_matplotlib
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_diabetes
from sklearn.decomposition import PCA
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_score
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

def evaluate_pcr_components(
    cv_folds: int = 5,
    xlabel: str = "Number of components k",
    ylabel: str = "CV MSE (lower is better)",
    title: str | None = None,
    label_best: str = "best={k}",
) -> dict[str, float]:
    """Cross-validate PCR with varying component counts and plot the curve.

    Args:
        cv_folds: Number of folds for cross-validation.
        xlabel: Label for the component-count axis.
        ylabel: Label for the error axis.
        title: Optional title for the plot.
        label_best: Format string for highlighting the best component count.

    Returns:
        Dictionary containing the best component count and its CV score.
    """
    japanize_matplotlib.japanize()
    X, y = load_diabetes(return_X_y=True)

    def build_pcr(n_components: int) -> Pipeline:
        return Pipeline([
            ("scale", StandardScaler()),
            ("pca", PCA(n_components=n_components, random_state=0)),
            ("reg", LinearRegression()),
        ])

    components = np.arange(1, X.shape[1] + 1)
    cv_scores = []
    for k in components:
        model = build_pcr(int(k))
        score = cross_val_score(
            model,
            X,
            y,
            cv=cv_folds,
            scoring="neg_mean_squared_error",
        )
        cv_scores.append(score.mean())

    cv_scores_arr = np.array(cv_scores)
    best_idx = int(np.argmax(cv_scores_arr))
    best_k = int(components[best_idx])
    best_mse = float(-cv_scores_arr[best_idx])

    best_model = build_pcr(best_k).fit(X, y)
    explained = best_model["pca"].explained_variance_ratio_

    fig, ax = plt.subplots(figsize=(8, 4))
    ax.plot(components, -cv_scores_arr, marker="o")
    ax.axvline(best_k, color="red", linestyle="--", label=label_best.format(k=best_k))
    ax.set_xlabel(xlabel)
    ax.set_ylabel(ylabel)
    if title:
        ax.set_title(title)
    ax.legend()
    fig.tight_layout()
    plt.show()

    return {
        "best_k": best_k,
        "best_mse": best_mse,
        "explained_variance_ratio": explained,
    }

metrics = evaluate_pcr_components()
print(f"Best number of components: {metrics['best_k']}")
print(f"Best CV MSE: {metrics['best_mse']:.3f}")
print("Explained variance ratio:", metrics['explained_variance_ratio'])

Avaliamos os escores de validação cruzada da PCR no conjunto de dados diabetes

Interpretação dos resultados #

  • À medida que o número de componentes aumenta, o ajuste de treino melhora, mas o MSE por validação cruzada atinge um mínimo em um valor intermediário.
  • A inspeção da razão de variância explicada revela quanta variabilidade geral cada componente captura.
  • Os carregamentos dos componentes indicam quais variáveis originais contribuem mais para cada direção principal.

Referências #

  • Jolliffe, I. T. (2002). Principal Component Analysis (2nd ed.). Springer.
  • Massy, W. F. (1965). Principal Components Regression in Exploratory Statistical Research. Journal of the American Statistical Association, 60(309), 234–256.