PCA'ya Giriş

R ile Denetimsiz Öğrenme

Hank Roark

Senior Data Scientist at Boeing

İki kümeleme yöntemi

İki kümeleme yöntemi: benzer öğe gruplarını bulma
Sırada, boyut indirgeme
- Özelliklerde yapı bulma
- Görselleştirmeye yardımcı olur

Boyut indirgeme

Yaygın bir yöntem: temel bileşen analizi (PCA)
Daha düşük boyutlu gösterim bulurken üç amaç:
- Temel bileşenler için değişkenlerin doğrusal birleşimlerini bulmak
- Verideki varyansın çoğunu korumak
- Temel bileşenler ilişkisizdir (yani, birbirine ortogonaldir)

PCA sezgisi

saçılım grafiği

PCA sezgisi

regresyon doğrusu

PCA sezgisi

bileşen puanlarının izdüşümü

Yüksek boyutlu verilerin görselleştirilmesi

veriler için farklı boyut sayıları

Görselleştirme

iris veri setinde PCA

R'de PCA

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

Haydi pratik yapalım!

R ile Denetimsiz Öğrenme