Combien de composantes sont pertinentes ?
Les résultats que vous avez stockés dans pcaNews contiennent autant de composantes que de variables. Mais votre objectif est de réduire la dimension. Il est temps de déterminer combien de composantes vous devez extraire. Utilisez plusieurs approches pour prendre votre décision.
Les résultats de la PCA pcaNews sont toujours chargés dans votre espace de travail. Tous les packages nécessaires sont chargés.
Cet exercice fait partie du cours
<cours>Machine Learning for Marketing Analytics in R</cours>Instructions de l’exercice
- Créez un screeplot. Combien de composantes suggère‑t‑il ?
- De combien de composantes auriez‑vous besoin pour atteindre le critère de 70 % de variance expliquée (regardez le
summary()) ? - Combien de composantes extrairiez‑vous selon le critère de Kaiser-Guttmann ?
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Screeplot:
___(___, type = ___)
# Cumulative explained variance:
___(___)
# Kaiser-Guttmann (number of components with eigenvalue larger than 1):
sum(pcaNews$___ > ___)