這個練習要檢查你對 PCA 結果的理解，特別是載入量（loadings）與解釋變異。載入量以向量表示，用來說明從原始特徵到主成分的對應關係。主成分依照可解釋的變異量由多到少自然排序。
你先前建立的變數──wisc.data、diagnosis、wisc.pr 和 pve──仍然可用。
wisc.data
diagnosis
wisc.pr
pve
對於第一個主成分，特徵 concave.points_mean 的載入向量成分是多少？資料中至少需要多少個主成分，才能解釋 80% 的變異？
concave.points_mean
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
k-means 演算法是常見的分群方法之一。你將學到它的運作原理、如何在 R 中實作 k-means 分群、視覺化並解讀結果，以及在事先不知道要分幾群時如何選擇群數。章節最後，你會把 k-means 分群應用到一個有趣的「真實世界」資料集！
階層式分群是另一種常見的分群方法。本章目標是帶你了解它的運作方式、如何使用，以及它和 k-means 分群之間的比較。
主成分分析（PCA）是常見的降維方法。你將精確了解 PCA 在做什麼，並用雙標圖與碎石圖視覺化 PCA 的結果，同時處理實務議題，例如在執行 PCA 前的置中與標準化。
本章將帶你以完整流程進行一個分析，使用前面三章涵蓋的無監督式學習技巧。你會把所學延伸，將 PCA 作為分群前的前處理，並使用由人體乳房腫塊之細胞核量測所組成的資料。
當前練習
