PCA ile ilgili pratik konular

R ile Denetimsiz Öğrenme

Hank Roark

Senior Data Scientist at Boeing

PCA ile ilgili pratik konular

Veriyi ölçekleme
Eksik değerler:
- Eksik değerli gözlemleri atma
- Eksik değerleri atama/tahmin etme
Kategorik veriler:
- Kategorik özellikleri kullanmama
- Kategorik özellikleri sayıya kodlama

mtcars veri kümesi

data(mtcars)
head(mtcars)

                   mpg cyl disp  hp drat    wt  qsec vs
Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0
Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0
Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1
Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1
Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0
Valiant           18.1   6  225 105 2.76 3.460 20.22  1

Ölçekleme

# Ortalama ve standart sapmalar çok farklı
round(colMeans(mtcars), 2)

   mpg    cyl   disp     hp   drat     wt   qsec     vs
 20.09   6.19 230.72 146.69   3.60   3.22  17.85   0.44

round(apply(mtcars, 2, sd), 2)

   mpg    cyl   disp     hp   drat     wt   qsec     vs
  6.03   1.79 123.94  68.56   0.53   0.98   1.79   0.50

Veriyi ölçeklemenin önemi

ölçekleme öncesi/sonrası özellik öneminin karşılaştırması

R'de ölçekleme ve PCA

prcomp(x, center = TRUE, scale = FALSE)

Hadi pratik yapalım!

R ile Denetimsiz Öğrenme