Praktiska frågor: skalning

I videon såg du hur skalning av data innan PCA påverkar resultatet av modelleringen. Här ska du utföra PCA både med och utan skalning och sedan visualisera resultaten med biplot-diagram.

Skalning är ofta lämpligt när variablernas varians skiljer sig avsevärt åt. Det är vanligt när variabler har olika måttenheter – till exempel grader Fahrenheit (temperatur) och miles (avstånd). Att ta ställning till om skalning behövs är ett viktigt steg när du utför en principalkomponentanalys.

Den här övningen är en del av kursen

Oövervakad inlärning i R

Visa kurs

Övningsinstruktioner

Samma Pokémon-datamängd finns tillgänglig i din arbetsyta som pokemon, men en ny variabel har lagts till: Total.

Längst upp i editorn finns kod för att beräkna medelvärdet och standardavvikelsen för varje variabel i modellen. Kör den koden för att se hur variablernas skala skiljer sig åt i ursprungsdata.
Skapa en PCA-modell av pokemon med skalning och tilldela resultatet till pr.with.scaling.
Skapa en PCA-modell av pokemon utan skalning och tilldela resultatet till pr.without.scaling.
Använd biplot() för att plotta båda modellerna (en i taget) och jämför deras utdata.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Mean of each variable
colMeans(pokemon)

# Standard deviation of each variable
apply(pokemon, 2, sd)

# PCA model with scaling: pr.with.scaling


# PCA model without scaling: pr.without.scaling


# Create biplots of both for comparison

Redigera och kör kod