Comprendre les composantes principales

L'analyse en composantes principales (PCA) réduit la dimensionnalité en combinant l'information des caractéristiques qui ne se recoupent pas. La PCA extrait de nouvelles caractéristiques appelées composantes principales, indépendantes les unes des autres. Une façon de comprendre la PCA consiste à tracer les principales composantes sur les axes x et y et à afficher les vecteurs de caractéristiques. Cela vous permet de voir quelles caractéristiques contribuent à chaque composante principale. Même si ce n'est pas toujours simple, il est judicieux de nommer les composantes principales d'après les caractéristiques qui y contribuent. Toutefois, en tant que méthode d'extraction de caractéristiques, la PCA est souvent difficile à interpréter.

Un sous-ensemble des données de crédit se trouve dans credit_df. La variable cible est credit_score. Les paquetages tidyverse et ggfortify ont aussi été chargés pour vous.

Cette activité fait partie du cours

Réduction de dimension en R

Voir le cours

Instructions de l’exercice

Effectuez une analyse en composantes principales sur credit_df.
Utilisez autoplot() pour afficher les deux premières composantes principales, les vecteurs et étiquettes de caractéristiques, et codez credit_score par la couleur.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Perform PCA
pca_res <- ___(___ %>% select(-___), scale. = ___)

# Plot principal components and feature vectors
___(___, 
         data = ___, 
         colour = '___', 
         alpha = 0.3,
         loadings = ___, 
         loadings.label = ___, 
         loadings.colour = "black", 
         loadings.label.colour = "black")

Modifier et exécuter le code