Enjeux pratiques : mise à l'échelle
Vous avez vu dans la vidéo que mettre vos données à l'échelle avant de faire une ACP change les résultats du modèle d'ACP. Ici, vous allez exécuter une ACP avec et sans mise à l'échelle, puis visualiser les résultats à l'aide de biplots.
La mise à l'échelle est parfois appropriée lorsque les variances des variables diffèrent sensiblement. C'est souvent le cas lorsque les variables n'ont pas les mêmes unités de mesure, par exemple, degrés Fahrenheit (température) et miles (distance). Décider d'utiliser la mise à l'échelle est une étape importante lorsqu'on réalise une analyse en composantes principales.
Cette activité fait partie du cours
Apprentissage non supervisé en R
Instructions de l’exercice
Le même jeu de données Pokemon est disponible dans votre espace de travail sous le nom pokemon, mais une nouvelle variable a été ajoutée : Total.
- Du code au début de l'éditeur calcule la moyenne et l'écart type de chaque variable du modèle. Exécutez ce code pour voir comment l'échelle des variables diffère dans les données d'origine.
- Créez un modèle d'ACP de
pokemonavec mise à l'échelle et assignez le résultat àpr.with.scaling. - Créez un modèle d'ACP de
pokemonsans mise à l'échelle et assignez le résultat àpr.without.scaling. - Utilisez
biplot()pour tracer les deux modèles (un à la fois) et comparer leurs résultats.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Mean of each variable
colMeans(pokemon)
# Standard deviation of each variable
apply(pokemon, 2, sd)
# PCA model with scaling: pr.with.scaling
# PCA model without scaling: pr.without.scaling
# Create biplots of both for comparison