El analisis de componentes principales, busca obtener la dirección en la que se observe mayor variación

, esto al usar en primera instancia la variable qcon mayor variación para despues establecer un eje y
volver a analisar la vaiación de las variables subsecuentes, para despues seleccionar el proximo eje y
asi buscar cubrir la mayor cantidad de variación.

Se calculan los eigenvalores y eigeinvectores de la matriz de covariancia, se ordenan en forma

decreciente la matriz de eigenvalores y se le aplica el mismo orden a la matriz de eigenvectores, por
ultimo se multiplica el vector de caracteristicas por los egeinvectores.

Primeramente se deben trabajar los datos de manera que se eliminan las caracteristicas que son
constantes a lo largo de los datos, es decir que aportan poca variación, despues se hace lo mismo con
las caracteristicas que se encontraban relacionadas entres si, por lo que no fuese necesario contar con
ambas, por lo que eliminamos, dejando solo una de ellas, por ultimo teniendo los datos depurados se
normalizan los datos para trabajar con ellos. Una vez hecho esto se realiza el PCA para las primeras dos
componentes, las que aportan mayor variabilidad a los datos, despues se graficaron los componentes
obtenidos, en donde se observa una buena separacion de las clases como clientes satisfechos y clientes
insatisfechos, si bien el porcentaje de variabilidad obtenidas para cada una de las componentes
principales obtenidad no es alta, la grafica separaba bien las clases, por lo que se contihuo su analisis.

Se utilizo redes neuronales con los datos resultantes, de donde se obtuvo un 66% de se obtuvo un mejor
resultado por sobre el algoritmo xgboost con un 61%, en el caso de la red se balancearon los datos de
entrenamiento,el desempeño fue mas bajo de lo esperado lo que se contrapone a lo observado a lo en la
grafica anterior, esto por la variabilidad conjunta de las coponentes utilizadas que es muy baja, lo que
crea interrogantes en el sentido que se esperaria un mejor desempeño.