Wyjaśniona wariancja
W tym ćwiczeniu stworzysz wykresy osypiska (scree plots) pokazujące proporcję wyjaśnionej wariancji wraz ze wzrostem liczby głównych składowych. Dane z PCA należy najpierw odpowiednio przygotować, ponieważ R nie oferuje wbudowanej funkcji, która generowałaby takie wykresy bezpośrednio z modelu PCA.
Analizując te wykresy, zastanów się, czy widoczne jest wyraźne „łokieć" sugerujące naturalną liczbę składowych do zachowania. Jeśli taki punkt przegięcia nie jest oczywisty – co zdarza się często w rzeczywistych zbiorach danych – pomyśl, jak inaczej można by wyznaczyć optymalną liczbę głównych składowych na podstawie wykresu osypiska.
To ćwiczenie jest częścią kursu
Uczenie nienadzorowane w R
Instrukcje do ćwiczenia
Zmienne utworzone wcześniej – wisc.data, diagnosis i wisc.pr – są nadal dostępne.
- Oblicz wariancję każdej głównej składowej, podnosząc do kwadratu komponent
sdevobiektuwisc.pr. Zapisz wynik jako obiekt o nazwiepr.var. - Oblicz proporcję wariancji wyjaśnionej przez każdą główną składową, dzieląc przez łączną wyjaśnioną wariancję wszystkich składowych. Przypisz wynik do zmiennej o nazwie
pve. - Utwórz wykres wyjaśnionej wariancji dla każdej głównej składowej.
- Korzystając z funkcji
cumsum(), utwórz wykres skumulowanej proporcji wyjaśnionej wariancji.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Set up 1 x 2 plotting grid
par(mfrow = c(1, 2))
# Calculate variability of each component
# Variance explained by each principal component: pve
# Plot variance explained for each principal component
plot(___, xlab = "Principal Component",
ylab = "Proportion of Variance Explained",
ylim = c(0, 1), type = "b")
# Plot cumulative proportion of variance explained
plot(___, xlab = "Principal Component",
ylab = "Cumulative Proportion of Variance Explained",
ylim = c(0, 1), type = "b")