理解主成分

主成分分析（PCA）會透過結合彼此不重疊的特徵資訊來降維。PCA 會萃取稱為主成分的新特徵，且彼此相互獨立。理解 PCA 的一個方法，是將主要的主成分畫在 x 軸與 y 軸上，並顯示特徵向量。這能讓你看見哪些特徵對各個主成分有貢獻。雖然不一定容易，但根據貢獻的特徵來為主成分命名，是一個不錯的做法。不過，作為一種特徵萃取方法，PCA 往往不易詮釋。

credit_df 含有信用資料的子集。目標變數是 credit_score。tidyverse 與 ggfortify 套件也已為你載入。

本練習屬於課程

R 的降維

檢視課程

練習說明

對 credit_df 執行主成分分析。
使用 autoplot() 顯示前兩個主成分、特徵向量與標籤，並用顏色編碼 credit_score。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# 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")

編輯並執行程式碼