Zrozumienie głównych składowych
Analiza głównych składowych (PCA) redukuje wymiarowość, łącząc informacje z cech, które się nie nakładają. PCA wyodrębnia nowe cechy – tzw. główne składowe – które są od siebie niezależne. Jednym ze sposobów zrozumienia PCA jest wykreślenie najważniejszych składowych wzdłuż osi x i y oraz wyświetlenie wektorów cech. Dzięki temu możesz zobaczyć, które cechy mają wpływ na każdą główną składową. Choć nie zawsze jest to łatwe, dobrą praktyką jest nadawanie głównym składowym nazw na podstawie cech, które je tworzą. Jako metoda ekstrakcji cech PCA bywa jednak trudna w interpretacji.
Podzbiór danych kredytowych znajduje się w credit_df. Zmienna docelowa to credit_score. Pakiety tidyverse i ggfortify zostały już załadowane.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w R
Instrukcje do ćwiczenia
- Wykonaj analizę głównych składowych na zbiorze
credit_df. - Użyj
autoplot(), aby wyświetlić dwie pierwsze główne składowe, wektory cech wraz z etykietami, i zakodujcredit_scorekolorem.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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")