Praktyczne problemy z PCA

Uczenie nienadzorowane w R

Hank Roark

Senior Data Scientist at Boeing

Praktyczne problemy z PCA

Skalowanie danych
Brakujące wartości:
- Usunięcie obserwacji z brakami
- Imputacja / szacowanie brakujących wartości
Dane kategoryczne:
- Nieuwzględnianie cech kategorycznych
- Kodowanie cech kategorycznych jako liczb

Zbiór danych 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

Skalowanie

# 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

Znaczenie skalowania danych

porównanie ważności cech przed skalowaniem i po skalowaniu

Skalowanie i PCA w R

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

Czas na ćwiczenia!

Uczenie nienadzorowane w R