解读 PCA 结果

现在，您将使用一些可视化来更好地理解您的 PCA 模型。您在前一章已经接触过其中一种可视化——双标图（biplot）。

当数据是现实世界中的且观测与变量数量不少时，使用双标图会遇到一些常见挑战。接下来您将看看一些替代的可视化方法。在进入下一个练习前，欢迎您自行多做一些可视化尝试。

本练习是课程的一部分

R 中的无监督学习

查看课程

练习说明

您之前创建的变量 wisc.data、diagnosis 和 wisc.pr 依然可用。

为 wisc.pr 数据创建一个双标图（biplot）。您对这张图有什么直观印象？它容易还是难以理解？为什么？
运行代码，按第 1、2 个主成分绘制每个观测的散点图，并按诊断结果对点着色。
对第 1、3 个主成分重复上述操作。您从这些图中观察到什么？

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)

编辑并运行代码