PCA の結果を解釈する
ここでは、いくつかの可視化を使って PCA モデルをより深く理解していきます。これらの可視化手法の1つであるバイプロットは、前の章で紹介しました。
観測値と変数の数がそれほど少なくない実データにバイプロットを使うと、よくある課題に直面します。そこで、代わりとなる可視化手法も見ていきます。次の演習に進む前に、ほかの可視化方法も試してみることをお勧めします。
この演習はコースの一部です
R による教師なし学習
演習の手順
前に作成した変数 wisc.data、diagnosis、wisc.pr はそのまま利用できます。
wisc.prのデータからバイプロットを作成してください。このプロットのどの点が気になりますか。理解しやすいか、それとも難しいか。それはなぜでしょうか。- コードを実行して、主成分1と主成分2で各観測値を散布図にプロットし、点を diagnosis で色分けしてください。
- 主成分1と主成分3についても同様の操作を行ってください。これらのプロットから何がわかりますか。
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。
# 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)