Einführung in PCA

Unüberwachtes Lernen in R

Hank Roark

Senior Data Scientist at Boeing

Zwei Methoden des Clustering

Zwei Methoden des Clustering – Gruppen homogener Objekte finden
Als Nächstes: Dimensionsreduktion
- Struktur in Merkmalen finden
- Hilft bei der Visualisierung

Dimensionsreduktion

Eine beliebte Methode ist Principal Component Analysis (PCA)
Drei Ziele bei der Darstellung mit weniger Dimensionen:
- Linearkombinationen von Variablen finden, um Hauptkomponenten zu bilden
- Möglichst viel Varianz der Daten erhalten
- Hauptkomponenten sind unkorreliert (d. h. orthogonal zueinander)

PCA-Intuition

Streudiagramm

PCA-Intuition

Regressionsgerade

PCA-Intuition

Projektion der Komponenten-Scores

Visualisierung hochdimensionaler Daten

unterschiedliche Dimensionalität der Daten

Visualisierung

PCA auf dem Iris-Datensatz

PCA in R

pr.iris <- prcomp(x = iris[-5],
                  scale = FALSE,
                  center = TRUE)

summary(pr.iris)

Importance of components:
                          PC1     PC2    PC3     PC4
Standard deviation     2.0563 0.49262 0.2797 0.15439
Proportion of Variance 0.9246 0.05307 0.0171 0.00521
Cumulative Proportion  0.9246 0.97769 0.9948 1.00000

Lass uns üben!

Unüberwachtes Lernen in R