PCA – Rotation
Die Principal Component Analysis (PCA) hilft dir, die Anzahl der Dimensionen in einem Datensatz zu reduzieren. Das beschleunigt die Berechnung, ohne dass viel Informationsgehalt verloren geht.
Wenn deine zukünftige Rolle die Arbeit mit sehr großen Datenmengen umfasst, kannst du im Interview mit Fragen zu PCA rechnen.
Zur Erinnerung: Bei der PCA werden Variablen in Hauptkomponenten transformiert. Die erste Hauptkomponente hat die größtmögliche Varianz.
Du führst die PCA mit dem Datensatz cats durch, den du bereits in den vorherigen Übungen kennengelernt hast.
Verwende in dieser Übung prcomp(), um die Hauptkomponentenanalyse durchzuführen. Das zurückgegebene Objekt kann verwendet werden, um die rotierten Variablen zu vorhersagen.
Diese Übung ist Teil des Kurses
Statistik-Interviewfragen in R üben
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Plot the unrotated data
___(___ ~ Hwt, data = ___)
# Perform PCA
pca_cats <- ___(~ ___ + Hwt, data = ___)
# Compute the summary
___(___)