选择合适的主成分数量

用 R 进行市场营销分析的机器学习

Verena Pflieger

Data Scientist at INWT Statistics

相关成分数：解释方差

# Proportion of variance explained:
summary(pcaCust)

Importance of components:
                          PC1    PC2    PC3     PC4     PC5     PC6     PC7
Standard deviation     2.0951 1.8379 1.2960 1.20415 1.12301 1.07453 0.80486
Proportion of Variance 0.2743 0.2111 0.1050 0.09062 0.07882 0.07216 0.04049
Cumulative Proportion  0.2743 0.4855 0.5904 0.68106 0.75989 0.83205 0.87254
                           PC8     PC9    PC10    PC11    PC12    PC13
Standard deviation     0.78236 0.72452 0.61302 0.48428 0.36803 0.25901
Proportion of Variance 0.03826 0.03281 0.02349 0.01466 0.00847 0.00419
Cumulative Proportion  0.91079 0.94360 0.96709 0.98175 0.99021 0.99440
                          PC14    PC15    PC16
Standard deviation     0.20699 0.17126 0.13170
Proportion of Variance 0.00268 0.00183 0.00108
Cumulative Proportion  0.99708 0.99892 1.00000
用 R 进行市场营销分析的机器学习

相关成分数：Kaiser-Guttman 准则

Kaiser-Guttman 准则：特征值 > 1

pcaCust$sdev ^ 2

 [1] 4.38961593 3.37778445 1.67965616 1.44997580 1.26115351 1.15461579
 [7] 0.64780486 0.61209376 0.52492468 0.37579685 0.23452736 0.13544710
[13] 0.06708362 0.04284504 0.02933027 0.01734481
用 R 进行市场营销分析的机器学习

相关成分数：碎石图

碎石图：寻找"肘部"

screeplot(pcaCust, type = "lines")
box()
abline(h = 1, lty = 2)

用 R 进行市场营销分析的机器学习

各准则建议的成分数

解释方差 Kaiser-Guttman 碎石图
5 6 6
用 R 进行市场营销分析的机器学习

双标图（biplot）

biplot(pcaCust, choices = 1:2, cex = 0.7)

用 R 进行市场营销分析的机器学习

动手练习！

用 R 进行市场营销分析的机器学习

Preparing Video For Download...