Interpretacja wyników PCA
Teraz skorzystasz z kilku wizualizacji, aby lepiej zrozumieć swój model PCA. Z jedną z nich – wykresem dwuwymiarowym (biplot) – zapoznałeś się już we wcześniejszym rozdziale.
Przekonasz się, jakie typowe trudności pojawiają się przy stosowaniu biplotów do rzeczywistych danych zawierających dużą liczbę obserwacji i zmiennych, a następnie przyjrzysz się alternatywnym wizualizacjom. Zachęcamy do eksperymentowania z dodatkowymi wykresami przed przejściem do następnego ćwiczenia.
To ćwiczenie jest częścią kursu
Uczenie nienadzorowane w R
Instrukcje do ćwiczenia
Zmienne utworzone wcześniej – wisc.data, diagnosis i wisc.pr – są nadal dostępne.
- Utwórz biplot danych
wisc.pr. Co zwraca twoją uwagę na tym wykresie? Czy jest on łatwy, czy trudny do zrozumienia? Dlaczego? - Uruchom kod, aby wyświetlić wykres rozrzutu obserwacji względem pierwszej i drugiej składowej głównej, kolorując punkty według diagnozy.
- Powtórz to samo dla pierwszej i trzeciej składowej głównej. Co zauważasz na tych wykresach?
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)