Interpretace výsledků PCA
Teď využiješ několik vizualizací, které ti pomohou lépe porozumět tvému modelu PCA. S jednou z nich, biplotem, ses seznámil/a už v dřívější kapitole.
Narazíš na běžné problémy, které nastávají při použití biplotů na reálná data s větším počtem pozorování a proměnných. Poté se podíváš na alternativní vizualizace. Než přejdeš k dalšímu cvičení, klidně experimentuj s dalšími způsoby zobrazení dat.
Toto cvičení je součástí kurzu
Unsupervised Learning in R
Pokyny k cvičení
Proměnné, které jsi vytvořil/a dříve — wisc.data, diagnosis a wisc.pr — jsou stále k dispozici.
- Vytvoř biplot dat
wisc.pr. Co tě na tomto grafu zaujme? Je snadné ho pochopit, nebo naopak obtížné? Proč? - Spusť kód, který zobrazí bodový graf jednotlivých pozorování podle 1. a 2. hlavní komponenty — body jsou obarveny podle diagnózy.
- To samé zopakuj pro 1. a 3. hlavní komponentu. Co si na těchto grafech všimneš?
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Create a biplot of wisc.pr
# Scatter plot observations by components 1 and 2
plot(wisc.pr$___[, c(1, 2)], col = (diagnosis + 1),
xlab = "PC1", ylab = "PC2")
# Repeat for components 1 and 3
plot(___, col = (diagnosis + 1),
xlab = "PC1", ylab = "PC3")
# Do additional data exploration of your choosing below (optional)