Začněte nyníZačněte zdarma

Provádění PCA

Dalším krokem analýzy je provést PCA na wisc.data.

V předchozí kapitole sis ukázal/a, že je důležité zkontrolovat, zda je před provedením PCA potřeba data škálovat. Připomeň si dva běžné důvody pro škálování dat:

  1. Vstupní proměnné používají různé jednotky měření.
  2. Vstupní proměnné mají výrazně odlišné rozptyly.

Toto cvičení je součástí kurzu

Unsupervised Learning in R

Zobrazit kurz

Pokyny k cvičení

Proměnné wisc.data a diagnosis, které jsi vytvořil/a dříve, jsou stále dostupné v tvém pracovním prostředí.

  • Zkontroluj průměr a směrodatnou odchylku příznaků dat a urči, zda je nutné data škálovat. Použij funkce colMeans() a apply() jako v předchozích cvičeních.
  • Proveď PCA na wisc.data – pokud je to vhodné, data škáluj – a model ulož do wisc.pr.
  • Prohlédni si souhrn výsledků pomocí funkce summary().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Check column means and standard deviations



# Execute PCA, scaling if appropriate: wisc.pr


# Look at summary of results
Upravit a spustit kód