Förstå huvudkomponenter

Principalkomponentanalys (PCA) minskar dimensionaliteten genom att kombinera icke-överlappande särdragsinformation. PCA extraherar nya särdrag – så kallade huvudkomponenter – som är oberoende av varandra. Ett sätt att förstå PCA är att plotta de viktigaste huvudkomponenterna längs x- och y-axeln och visa särdragsvektorerna. Det gör det möjligt att se vilka särdrag som bidrar till respektive huvudkomponent. Även om det inte alltid är enkelt, är det god praxis att namnge huvudkomponenterna utifrån de särdrag som bidrar till dem. Som extraktionsmetod kan PCA dock vara svår att tolka.

Ett urval av kreditdata finns i credit_df. Målvariabeln är credit_score. Paketen tidyverse och ggfortify har också laddats åt dig.

Den här övningen är en del av kursen

Dimensionsreduktion i R

Visa kurs

Övningsinstruktioner

Utför principalkomponentanalys på credit_df.
Använd autoplot() för att visa de två första huvudkomponenterna, särdragsvektorerna och etiketterna, och koda credit_score med färg.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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")

Redigera och kör kod