Giới thiệu về PCA

Học không giám sát với R

Hank Roark

Senior Data Scientist at Boeing

Hai phương pháp phân cụm

Hai phương pháp phân cụm: tìm nhóm mục đồng nhất
Tiếp theo: giảm chiều
- Tìm cấu trúc trong đặc trưng
- Hỗ trợ trực quan hóa

Giảm chiều

Phương pháp phổ biến: phân tích thành phần chính (PCA)
Ba mục tiêu khi biểu diễn đặc trưng ít chiều hơn:
- Tìm tổ hợp tuyến tính tạo thành phần chính
- Giữ lại phần lớn phương sai dữ liệu
- Các thành phần chính không tương quan (trực giao)

Trực giác về PCA

biểu đồ phân tán

Trực giác về PCA

đường hồi quy

Trực giác về PCA

phép chiếu điểm thành phần

Trực quan hóa dữ liệu nhiều chiều

số chiều khác nhau của dữ liệu

Trực quan hóa

PCA trên bộ iris

PCA trong 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

Hãy thực hành!

Học không giám sát với R