Praktické problémy s PCA

Unsupervised Learning in R

Hank Roark

Senior Data Scientist at Boeing

Praktické problémy s PCA

Škálování dat
Chybějící hodnoty:
- Odstranění pozorování s chybějícími hodnotami
- Imputace / odhad chybějících hodnot
Kategorická data:
- Nepoužívat kategorické příznaky
- Zakódovat kategorické příznaky jako čísla

Dataset mtcars

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

Škálování

# Means and standard deviations vary a lot
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

Důležitost škálování dat

porovnání důležitosti příznaků před škálováním a po něm

Škálování a PCA v R

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

Pojďme cvičit!

Unsupervised Learning in R