Tìm hiểu về các thành phần chính
Phân tích thành phần chính (PCA) giúp giảm chiều dữ liệu bằng cách kết hợp thông tin đặc trưng không chồng lặp. PCA trích xuất các đặc trưng mới gọi là các thành phần chính, độc lập với nhau. Một cách để hiểu PCA là vẽ các thành phần chính quan trọng trên trục x và y, đồng thời hiển thị các vector đặc trưng. Cách này cho bạn thấy những đặc trưng nào đang đóng góp vào từng thành phần chính. Dù không phải lúc nào cũng dễ, thực hành tốt là đặt tên cho các thành phần chính dựa trên các đặc trưng đóng góp cho chúng. Tuy nhiên, với vai trò là một phương pháp trích xuất đặc trưng, PCA thường khó diễn giải.
Một tập con của dữ liệu tín dụng nằm trong credit_df. Biến đích là credit_score. Các gói tidyverse và ggfortify cũng đã được nạp sẵn cho bạn.
Bài tập này là một phần của khóa học
Giảm Chiều Dữ Liệu với R
Hướng dẫn bài tập
- Thực hiện phân tích thành phần chính trên
credit_df. - Dùng
autoplot()để hiển thị hai thành phần chính đầu tiên, các vector và nhãn đặc trưng, và mã hóacredit_scorebằng màu sắc.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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")