Erklärte Varianz

In dieser Übung erstellst du Scree-Plots, die den Anteil der erklärten Varianz in Abhängigkeit von der Anzahl der Hauptkomponenten zeigen. Die PCA-Daten müssen dafür aufbereitet werden, da es in R keine eingebaute Funktion gibt, die diese Plots direkt aus dem PCA-Modell erzeugt.

Wenn du dir diese Plots ansiehst, frag dich, ob es einen „Knick“ in der erklärten Varianz gibt, der dich zu einer natürlichen Anzahl an Hauptkomponenten führt. Falls kein offensichtlicher Knick vorhanden ist – was bei Datensätzen aus der Praxis häufig der Fall ist –, überlege, wie du anhand des Scree-Plots sonst die Anzahl der beizubehaltenden Hauptkomponenten bestimmen könntest.

Diese Übung ist Teil des Kurses

<Kurs>Unüberwachtes Lernen in R</Kurs>

Kurs ansehen

Übungsanweisungen

Die zuvor erstellten Variablen wisc.data, diagnosis und wisc.pr sind weiterhin verfügbar.

Berechne die Varianz jeder Hauptkomponente, indem du die Komponente sdev von wisc.pr quadrierst. Speichere das Ergebnis in einem Objekt namens pr.var.
Berechne die von jeder Hauptkomponente erklärte Varianz, indem du durch die Gesamtvarianz aller Hauptkomponenten teilst. Weise das Ergebnis einer Variablen namens pve zu.
Erstelle einen Plot der erklärten Varianz für jede Hauptkomponente.
Erstelle mit der Funktion cumsum() einen Plot des kumulativen Anteils der erklärten Varianz.

Interaktive praktische Übung

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

# Set up 1 x 2 plotting grid
par(mfrow = c(1, 2))

# Calculate variability of each component


# Variance explained by each principal component: pve


# Plot variance explained for each principal component
plot(___, xlab = "Principal Component", 
     ylab = "Proportion of Variance Explained", 
     ylim = c(0, 1), type = "b")

# Plot cumulative proportion of variance explained
plot(___, xlab = "Principal Component", 
     ylab = "Cumulative Proportion of Variance Explained", 
     ylim = c(0, 1), type = "b")

Code bearbeiten und ausführen