Praxisaspekte: Skalierung

Im Video hast du gesehen, dass das Skalieren deiner Daten vor der PCA die Ergebnisse des PCA-Modellings verändert. Hier führst du PCA mit und ohne Skalierung durch und visualisierst die Ergebnisse anschließend mit Biplots.

Manchmal ist Skalierung sinnvoll, wenn sich die Varianzen der Variablen deutlich unterscheiden. Das ist häufig der Fall, wenn Variablen unterschiedliche Maßeinheiten haben, zum Beispiel Grad Fahrenheit (Temperatur) und Meilen (Entfernung). Die Entscheidung, Skalierung zu verwenden, ist ein wichtiger Schritt bei der Durchführung einer Hauptkomponentenanalyse.

Diese Übung ist Teil des Kurses

<Kurs>Unüberwachtes Lernen in R</Kurs>

Kurs ansehen

Übungsanweisungen

Dasselbe Pokémon-Dataset steht dir in deinem Workspace als pokemon zur Verfügung, aber eine neue Variable wurde hinzugefügt: Total.

Im Editor steht oben etwas Code, der den Mittelwert und die Standardabweichung jeder Variablen im Modell berechnet. Führe diesen Code aus, um zu sehen, wie sich die Skalen der Variablen in den Originaldaten unterscheiden.
Erstelle ein PCA-Modell von pokemon mit Skalierung und weise das Ergebnis pr.with.scaling zu.
Erstelle ein PCA-Modell von pokemon ohne Skalierung und weise das Ergebnis pr.without.scaling zu.
Verwende biplot(), um beide Modelle (nacheinander) zu plotten und ihre Ausgaben zu vergleichen.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Mean of each variable
colMeans(pokemon)

# Standard deviation of each variable
apply(pokemon, 2, sd)

# PCA model with scaling: pr.with.scaling


# PCA model without scaling: pr.without.scaling


# Create biplots of both for comparison

Code bearbeiten und ausführen