PCA sonuçlarını yorumlama

Şimdi PCA modelini daha iyi anlamak için bazı görselleştirmeler kullanacaksın. Bu görselleştirmelerden biri olan biplot’u önceki bir bölümde görmüştün.

Gerçek dünyadaki, azımsanmayacak sayıda gözlem ve değişken içeren verilerde biplot kullanırken karşılaşılan bazı yaygın zorluklara denk geleceksin; ardından alternatif görselleştirmelere bakacaksın. Sonraki egzersize geçmeden önce ek görselleştirmelerle denemeler yapmanı öneririz.

Bu egzersiz, kursun bir parçasıdır

R ile Denetimsiz Öğrenme

Kursa Göz Atın

Egzersiz talimatları

Daha önce oluşturduğun wisc.data, diagnosis ve wisc.pr değişkenleri hâlâ kullanılabilir.

wisc.pr verisinin bir biplot’unu oluştur. Bu grafikte gözüne çarpan ne var? Anlaşılması kolay mı zor mu? Neden?
Gözlemleri birinci ve ikinci temel bileşenlere göre saçılım grafiğiyle çizmek ve noktaları tanıya göre renklendirmek için kodu çalıştır.
Aynısını birinci ve üçüncü temel bileşenler için tekrarla. Bu grafiklerde neler fark ediyorsun?

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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)

Kodu Düzenle ve Çalıştır