實務議題：標準化（縮放）
你在影片中看到，在進行 PCA 之前先對資料做標準化（縮放），會改變 PCA 建模的結果。這裡你會分別在有縮放與無縮放的情況下執行 PCA，然後用雙變量圖（biplot）視覺化結果。
當各變數的變異數差異很大時，進行縮放通常是合適的。常見情況是變數有不同的度量單位，例如華氏度（溫度）與英里（距離）。是否要使用縮放是進行主成分分析時的一個重要決策。
本練習屬於課程
R 的無監督式學習
練習說明
相同的 Pokemon 資料集已載入到你的工作空間，名稱為 pokemon，但多了一個新變數：Total。
- 編輯器最上方有一段程式碼，用來計算模型中各變數的平均數與標準差。先執行這段程式碼，觀察原始資料中各變數的尺度差異。
- 建立一個對
pokemon進行縮放的 PCA 模型，並將結果指定給pr.with.scaling。 - 建立一個對
pokemon不進行縮放的 PCA 模型，並將結果指定給pr.without.scaling。 - 使用
biplot()分別（一次一個）繪製這兩個模型，並比較它們的輸出。
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。
# 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