Diễn giải kết quả PCA
Bây giờ bạn sẽ dùng một số trực quan hóa để hiểu rõ hơn mô hình PCA của mình. Bạn đã được giới thiệu một trong các trực quan hóa này — biplot — ở chương trước.
Bạn sẽ gặp một số thách thức phổ biến khi dùng biplot trên dữ liệu thực tế có số lượng quan sát và biến không hề nhỏ, sau đó bạn sẽ xem qua một số trực quan hóa thay thế. Hãy thoải mái thử nghiệm thêm các cách trực quan khác trước khi chuyển sang Bài tập tiếp theo.
Bài tập này là một phần của khóa học
Học không giám sát với R
Hướng dẫn bài tập
Các biến bạn đã tạo trước đó, wisc.data, diagnosis và wisc.pr, vẫn còn sẵn có.
- Tạo biplot cho dữ liệu
wisc.pr. Bạn thấy điều gì nổi bật ở biểu đồ này? Dễ hay khó để hiểu? Vì sao? - Chạy đoạn mã để vẽ scatter plot cho từng quan sát theo thành phần chính 1 và 2, tô màu các điểm theo chẩn đoán.
- Lặp lại tương tự cho thành phần chính 1 và 3. Bạn nhận thấy điều gì ở các biểu đồ này?
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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)