恩埃斯特ejemplo SE muestra科莫seleccionar entidades对clasificar DATOS德阿尔塔尺寸。MASespecíficamente，muestra科莫realizar拉Selecci贸secuencial德entidades，阙ES UNO德洛斯algoritmos德Selecci贸德CARACTERÍSTICASMÁSPOPULARES。Tambiénmuestra科莫utilizar拉retención和Lavalidacióncruzada对evaluar EL rendimiento德拉斯entidades seleccionadas。

角城ejemplo muestra COMO aplicar LAregresiónparcial德MINIMOS cuadrados（PLSR）Y LAregresión德COMPONENTES principales（PCR）中，y描述LA eficacia洛斯DOSmétodos。PLSRŸPCR儿子ambosmétodos对modelar UNA可变德respuesta宽多干草联合国大NÚMERO德变量predictoras，Y ESOS predictoresestánaltamente correlacionadosØincluso colineales。Ambosmétodosconstruyen NUEVAS变量predictoras，conocidas科莫COMPONENTES，科莫combinaciones lineales德拉斯变量predictoras originales，佩罗construyen ESOS COMPONENTES德diferentes maneras。聚合酶链反应CREA COMPONENTES对explicar拉variabilidad observada恩拉斯维加斯变量predictoras，罪特纳EN CUENTA拉可变德respuesta恩absoluto。POR OTRO拉多，PLSR tiene EN CUENTA拉可变德respuesta Y，POR LO短刀，一menudo有助于一个modelos阙儿子capaces德ajustar拉可变德respuesta CON menos COMPONENTES。欧洲南方天文台硅本身谮O否带ULTIMA instancia恩未莫德洛MÁSparsimonioso，连接términos日苏USOpráctico，depende德尔contexto。

使用主成分分析（PCA），以适应线性回归。PCA最小化从数据到拟合模型的垂直距离。这是所谓的正交回归或总最小二乘线性的情况下，并且是在适当的时候有预测和响应变量之间没有天然的区别，或者当所有的变量都与错误测量。这与通常的回归假设预测变量进行测量准确，并且仅响应变量具有错误分量。