주성분 이해하기
주성분 분석(PCA)은 겹치지 않는 특징 정보를 결합해 차원을 축소합니다. PCA는 서로 독립적인 새로운 특징인 주성분을 추출해요. PCA를 이해하는 한 가지 방법은 가장 중요한 주성분을 x축과 y축에 두고 특징 벡터를 함께 표시하는 것입니다. 이렇게 하면 각 주성분에 어떤 특징들이 기여하는지 볼 수 있어요. 항상 쉬운 것은 아니지만, 어떤 특징이 기여하는지를 바탕으로 주성분에 이름을 붙여 보는 것도 좋은 연습입니다. 다만, 특징 추출 방법으로서 PCA는 해석이 어려운 경우가 많습니다.
신용 데이터의 일부가 credit_df에 들어 있습니다. 타깃 변수는 credit_score입니다. tidyverse와 ggfortify 패키지도 미리 로드되어 있어요.
이 연습은 강의의 일부입니다
R에서의 차원 축소
연습 안내
credit_df에 대해 주성분 분석을 수행하세요.autoplot()을 사용해 첫 두 개의 주성분과 특징 벡터 및 레이블을 표시하고, 색상으로credit_score를 인코딩하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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")