> For the complete documentation index, see [llms.txt](https://docs.gaiodataos.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.gaiodataos.com/gaio-dataos-portuguese/tools/tarefas/analytics/componentes-principais.md).

# Componentes Principais

<figure><img src="/files/TQ8EsD1lmpCmF5bMZloO" alt=""><figcaption></figcaption></figure>

Quando você possui um grande conjunto de colunas (principalmente numéricas), pode ser interessante reduzi-las para poucas colunas que representem bem a variabilidade existente entre elas.\
Um método para isso é Componentes Principais. O Gaio utiliza o [H2O](http://docs.h2o.ai/h2o/latest-stable/h2o-docs/data-science/pca.html) para realizar os cálculos e resumir os dados em poucas colunas. O algoritmo aceita tanto variáveis numéricas quanto categóricas.

### Como Utilizar a Tarefa PCA

#### 1. Abrir a Tarefa de Análise de Componentes Principais

* No **Studio**, vá até o painel de Tasks.
* Na seção Analytics, selecione **Principal Component Analysis**.

#### 2. Configurar os Campos Principais

* **Rótulo:** (opcional) Nome para identificar esta etapa no seu fluxo.
* **Tabela resultado:** Tabela de saída que conterá os componentes principais. Exemplo: `pca`.
* **Tabela de origem:** Preenchido automaticamente com a tabela selecionada (exemplo: `new_sales`).
* **Quantidade de componentes:** Defina quantos componentes principais você deseja extrair.

#### 4. Selecionar colunas para remover (Opcional)

Em **Colunas para remover**, você pode excluir colunas que não devem ser consideradas no cálculo do PCA (exemplo: IDs, códigos, campos irrelevantes). Isso ajuda a evitar viés e melhora a qualidade dos resultados.

#### 5. Salvar e Executar

* Após configurar, clique em **Salvar**.
* Execute o fluxo — a tabela de saída conterá os componentes principais extraídos.

***

### Output

A tabela resultante incluirá:

* Os principais componentes apresentados nas primeiras colunas e, em seguida, todas as colunas da tabela de origem
* Uma ou mais colunas representando os componentes principais (exemplo: `PCA_1`, `PCA_2`, etc.)
* Um dataset simplificado pronto para uso em tarefas como Clustering, AutoML ou visualizações 2D

***

### Boas Práticas

Utilize PCA para:

* Reduzir o número de variáveis em datasets com muitas features numéricas
* Otimizar a performance de algoritmos de clusterização ou classificação
* Simplificar visualizações ao trabalhar com dados de alta dimensionalidade
* Combinar PCA com tarefas que se beneficiam de redução de dimensionalidade, como Cluster ou Forecast