> 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-spanish/herramientas/tareas/analisis/componentes-principales.md). # Componentes principales
Cuando tienes un gran conjunto de columnas (principalmente numéricas), puede ser interesante reducirlas a pocas columnas que representen adecuadamente la variabilidad existente en las diferentes variables. Un método para esto es **Componentes Principales.** Gaio utiliza H2O para realizar los cálculos y resumir los datos en pocas columnas. El algoritmo acepta tanto variables numéricas como categóricas. *** ### Cómo usar la tarea PCA (Análisis de Componentes Principales) #### 1. Abrir la tarea de Análisis de Componentes Principales En el Studio, ve al panel **Tareas**.\ En la sección **Analytics**, selecciona **Análisis de Componentes Principales**. *** #### 2. Configurar los campos principales * **Etiqueta de la tarea:** (opcional) Nombre para identificar este paso en tu flujo. * **Tabla de resultado:** Tabla de salida que contendrá los componentes principales.\ Ejemplo: `pca`. * **Tabla origen:** Se completa automáticamente con la tabla seleccionada (ej.: `new_sales`). * **Cantidad de componentes:** Define cuántos componentes principales deseas extraer. *** #### 3. Seleccionar columnas a eliminar (opcional) En **Columnas a eliminar**, puedes excluir columnas que no deben considerarse en el cálculo de PCA (ej.: IDs, códigos o campos irrelevantes). Esto ayuda a evitar sesgos y mejora la calidad de los resultados. *** #### 4. Guardar y ejecutar Después de configurar los parámetros, haz clic en **Guardar**.\ Ejecuta el flujo — la tabla de salida contendrá los componentes principales extraídos. *** ### Resultado La tabla resultante incluirá: * Los componentes principales presentados en las primeras columnas. * Todas las columnas originales de la tabla fuente. * Una o más columnas que representan los componentes principales (ej.: `PCA_1`, `PCA_2`, etc.). * Un conjunto de datos simplificado listo para ser utilizado en tareas como **Cluster**, **AutoML** o visualizaciones en 2D. *** ### Buenas prácticas Utiliza PCA para: * Reducir el número de variables en conjuntos de datos con muchas características numéricas. * Optimizar el rendimiento de algoritmos de agrupamiento o clasificación. * Simplificar visualizaciones cuando se trabaja con datos de alta dimensionalidad. * Combinar PCA con tareas que se benefician de la reducción de dimensionalidad, como **Cluster** o **Forecast**.