Interpréter les résultats de l'ACP
Vous allez maintenant utiliser quelques visualisations pour mieux comprendre votre modèle d'ACP. L'une d'elles, le biplot, vous a été présentée dans un chapitre précédent.
Vous vous heurterez à certains défis fréquents lorsqu'on utilise des biplots sur des données réelles comportant un nombre non trivial d'observations et de variables, puis vous examinerez d'autres visualisations. Nous vous encourageons à expérimenter avec d'autres graphiques avant de passer à l'Exercice suivant.
Cette activité fait partie du cours
Apprentissage non supervisé en R
Instructions de l’exercice
Les variables que vous avez créées plus tôt, wisc.data, diagnosis et wisc.pr, sont toujours disponibles.
- Créez un biplot des données
wisc.pr. Qu'est-ce qui vous frappe dans ce graphique? Est-il facile ou difficile à interpréter? Pourquoi? - Exécutez le code pour tracer un nuage de points de chaque observation selon les composantes principales 1 et 2, en colorant les points selon le diagnostic.
- Répétez la même chose pour les composantes principales 1 et 3. Qu'observez-vous dans ces graphiques?
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)