Понимание главных компонент

Метод анализа главных компонент (PCA) снижает размерность данных, объединяя неперекрывающуюся информацию из различных признаков. PCA извлекает новые признаки, называемые главными компонентами, которые независимы друг от друга. Один из способов интерпретировать PCA — отобразить основные главные компоненты по осям x и y вместе с векторами признаков. Это позволяет понять, какие признаки вносят вклад в каждую главную компоненту. Хотя это не всегда просто, хорошей практикой считается давать главным компонентам названия на основе признаков, которые их формируют. Вместе с тем PCA как метод извлечения признаков нередко сложно поддаётся интерпретации.

Подмножество кредитных данных содержится в credit_df. Целевая переменная — credit_score. Пакеты tidyverse и ggfortify уже загружены.

Это упражнение является частью курса

Снижение размерности в R

Посмотреть курс

Инструкции к упражнению

Выполните анализ главных компонент для набора данных credit_df.
Используйте autoplot(), чтобы отобразить две первые главные компоненты, векторы признаков с метками, а также закодировать credit_score цветом.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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")

Редактировать и запускать код