Pourcentage de variance expliqué

À partir de pca_output, vous pouvez récupérer l'écart-type expliqué par chaque composante principale. Ensuite, utilisez ces valeurs pour calculer la variance expliquée et la variance cumulée expliquée, puis combinez le tout dans un tibble.

L'objet pca_output est déjà chargé pour vous.

Cette activité fait partie du cours

Ingénierie des caractéristiques en R

Voir le cours

Instructions de l’exercice

Calculez le pourcentage de variance expliqué en utilisant le vecteur des écarts-types.
Créez un tibble contenant les composantes principales, la variance expliquée et la variance cumulée expliquée.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

sdev <- pca_output$steps[[3]]$res$sdev
# Calculate percentage of variance explained
var_explained <- ___

# Create a tibble with principal components, variance explained and cumulative variance explained
PCA = tibble(PC = 1:length(sdev), var_explained = ___, 
       cumulative = ___)

Modifier et exécuter le code

Ingénierie des caractéristiques en R

SkillTag.level.intermediateSkillTag.label

4.8+

149 reviews

Vous conclurez le cours en étudiant des techniques d'ingénierie des caractéristiques et de Machine Learning. Vous commencerez par vous pencher sur les problèmes liés à l'utilisation de toutes les caractéristiques disponibles dans un modèle et sur l'importance de repérer les caractéristiques non pertinentes et redondantes, puis d'apprendre à les enlever à l'aide de méthodes intégrées comme le lasso et l'elastic net. Ensuite, vous explorerez des méthodes de rétrécissement comme le lasso, la crête (ridge) et l'elastic net, qui peuvent servir à régulariser les poids des caractéristiques ou à sélectionner des caractéristiques en mettant certains coefficients à zéro. Enfin, vous terminerez en créant un enchaînement complet d'ingénierie des caractéristiques et en passant en revue, puis en pratiquant, les concepts et fonctions vus précédemment dans un petit projet.

Exercise 1: Réduire les caractéristiques du modèle Exercise 2: Passer au crible l'importance des variables Exercise 3: Évaluer la performance du modèle avec tous les prédicteurs disponibles Exercise 4: Créer un modèle réduit Exercise 5: Méthodes de rétrécissement Exercise 6: Régularisation manuelle avec Lasso Exercise 7: Ajuster le paramètre penalty Exercise 8: Finaliser le modèle Exercise 9: Mettre le tout ensemble Exercise 10: Préparer et partitionner Exercise 11: Prétraitement Exercise 12: Modèle Exercise 13: Évaluer Exercise 14: Félicitations !