主成分の理解
主成分分析（PCA）は、重なりの少ない特徴量の情報を組み合わせて次元を削減します。PCA は互いに独立な新しい特徴量（主成分）を抽出します。PCA を理解する一つの方法は、主要な主成分を x 軸と y 軸にプロットし、特徴量ベクトルを表示することです。これにより、どの特徴量が各主成分に寄与しているかを確認できます。必ずしも簡単ではありませんが、寄与する特徴量に基づいて主成分に名前を付けるのは良いプラクティスです。ただし、特徴抽出の手法として、PCA はしばしば解釈が難しいことがあります。
credit_df にはクレジットデータのサブセットが含まれています。目的変数は credit_score です。tidyverse と ggfortify パッケージはすでに読み込まれています。
この演習はコースの一部です
Rによる次元削減
演習の手順
credit_dfに対して主成分分析を実行します。autoplot()を使って、最初の2つの主成分、特徴量ベクトルとラベルを表示し、色でcredit_scoreを表現してください。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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")