PCA-Ergebnisse interpretieren
Jetzt nutzt du ein paar Visualisierungen, um dein PCA-Modell besser zu verstehen. Eine davon, das Biplot, hast du in einem früheren Kapitel kennengelernt.
Du wirst auf einige typische Herausforderungen stoßen, wenn man Biplots mit realen Daten verwendet, die nicht nur wenige Beobachtungen und Variablen enthalten. Danach schaust du dir alternative Visualisierungen an. Probier gern weitere Visualisierungen aus, bevor du zur nächsten Übung weitergehst.
Diese Übung ist Teil des Kurses
<Kurs>Unüberwachtes Lernen in R</Kurs>Übungsanweisungen
Die zuvor erstellten Variablen wisc.data, diagnosis und wisc.pr sind weiterhin verfügbar.
- Erstelle ein Biplot der
wisc.pr-Daten. Was fällt dir an dieser Grafik auf? Ist sie leicht oder schwer zu verstehen? Warum? - Führe den Code aus, um jede Beobachtung anhand der Hauptkomponenten 1 und 2 als Streudiagramm darzustellen und die Punkte nach der Diagnose zu färben.
- Wiederhole das Gleiche für die Hauptkomponenten 1 und 3. Was fällt dir an diesen Plots auf?
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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)