PCA durchführen

Der nächste Schritt deiner Analyse ist, eine PCA auf wisc.data durchzuführen.

Im letzten Kapitel hast du gesehen, dass es wichtig ist zu prüfen, ob die Daten vor der PCA skaliert werden müssen. Erinner dich an zwei gängige Gründe, Daten zu skalieren:

Die Eingabevariablen verwenden unterschiedliche Maßeinheiten.
Die Eingabevariablen haben deutlich unterschiedliche Varianzen.

Diese Übung ist Teil des Kurses

<Kurs>Unüberwachtes Lernen in R</Kurs>

Kurs ansehen

Übungsanweisungen

Die zuvor erstellten Variablen wisc.data und diagnosis sind weiterhin in deinem Workspace verfügbar.

Prüfe Mittelwert und Standardabweichung der Merkmale, um zu entscheiden, ob die Daten skaliert werden sollten. Verwende dafür wie zuvor colMeans() und apply().
Führe die PCA auf wisc.data aus, skaliere falls sinnvoll, und weise das Modell wisc.pr zu.
Inspiziere eine Zusammenfassung der Ergebnisse mit der Funktion summary().

Interaktive praktische Übung

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

# Check column means and standard deviations



# Execute PCA, scaling if appropriate: wisc.pr


# Look at summary of results

Code bearbeiten und ausführen