PCA - rotatie
Met Principal Component Analysis (PCA) kun je het aantal dimensies in een gegevensset verkleinen. Zo versnel je de rekentijd zonder noemenswaardig verlies aan informatie.
Verwacht vragen over PCA tijdens het gesprek als je toekomstige rol veel met grote datasets te maken heeft.
Onthoud dat bij PCA de variabelen worden getransformeerd naar hoofdcomponenten. De eerste hoofdcomponent heeft de grootst mogelijke variantie.
Je gaat PCA uitvoeren op de cats-gegevensset die je in de vorige oefeningen al hebt gezien.
Gebruik in deze oefening prcomp() om de principal component analysis uit te voeren. Het geretourneerde object kun je gebruiken om de geroteerde variabelen te predicten.
Deze oefening maakt deel uit van de cursus
Oefenen met statistiek-vragen voor sollicitaties in R
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Plot the unrotated data
___(___ ~ Hwt, data = ___)
# Perform PCA
pca_cats <- ___(~ ___ + Hwt, data = ___)
# Compute the summary
___(___)