Temel Bileşen Analizi (PCA)

R'de Boyutsal Azaltma

Matt Pickard

Owner, Pickard Predictives, LLC

PCA uygulama

pca_res <- prcomp(attrition_df %>% select(-Attrition), scale. = TRUE)

summary(pca_res)

Bileşenlerin önemi:
                          PC1    PC2    PC3     PC4     PC5
Standart sapma         1.4259 1.3295 0.8618 0.48401 0.47138
Varyans Oranı          0.4067 0.3535 0.1485 0.04685 0.04444
Kümülatif Oran         0.4067 0.7602 0.9087 0.95556 1.00000

PB yükleri

pca_res

Standart sapmalar (1, .., p=5):
[1] 1.43 1.33 0.86 0.48 0.47

Döndürme (n x k) = (5 x 5):
                            PC1    PC2     PC3    PC4    PC5
MonthlyIncome            0.6244 -0.024  0.3665 -0.280 -0.630
TotalWorkingYears        0.6390 -0.011  0.2674  0.293  0.659
YearsSinceLastPromotion  0.4488  0.018 -0.8902 -0.061 -0.047
PercentSalaryHike       -0.0018  0.707  0.0426 -0.647  0.284
PerformanceRating        0.0210  0.707 -0.0033  0.643 -0.294

PB yükleri

ilk iki temel bileşenin yüklerine yakın plan

PB yükleri

PB1’in özellik yükleri

PB yükleri

PB2’nin özellik yükleri

tidymodels ile PCA

pca_recipe <- recipe(Attrition ~ . , data = train) %>% 
  step_normalize(all_numeric_predictors()) %>% 
  step_pca(all_numeric_predictors(), num_comp = 2)


attrition_fit <- workflow(preprocessor = pca_recipe, spec = logistic_reg()) %>% 
  fit(train)


attrition_pred_df <- predict(attrition_fit, test) %>% 
  bind_cols(test %>% select(Attrition))


f_meas(attrition_pred_df, Attrition, .pred_class)

Model ayrıntılarında PB’leri görün

attrition_fit

Çağrı:  stats::glm(formula = ..y ~ ., family = stats::binomial, data = data)

Katsayılar:
(Intercept)          PC1          PC2  
   -2.42067      0.80493     -0.03429  

Serbestlik Derecesi: 1339 Toplam (yani Null);  1337 Artık
Null Sapması:        951.8 
Artık Sapma: 870.6     AIC: 876.6

Hadi pratik yapalım!

R'de Boyutsal Azaltma