Introducere în PCA

Învățare nesupervizată în R

Hank Roark

Senior Data Scientist at Boeing

Două metode de clustering

Două metode de clustering - identificarea grupurilor de elemente omogene
Urmează reducerea dimensionalității
- Identificarea structurii în variabile
- Sprijin în vizualizare

Reducerea dimensionalității

O metodă populară este analiza componentelor principale (PCA)
Trei obiective pentru reprezentarea de dimensionalitate redusă:
- Găsirea combinațiilor liniare de variabile pentru crearea componentelor principale
- Păstrarea majorității varianței din date
- Componentele principale sunt necorelate (adică ortogonale între ele)

Intuiția PCA

diagramă de dispersie

Intuiția PCA

dreapta de regresie

Intuiția PCA

proiecția scorurilor componentelor

Vizualizarea datelor de mare dimensionalitate

număr diferit de dimensiuni pentru date

Vizualizare

PCA pe setul de date iris

PCA în 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

Să exersăm!

Învățare nesupervizată în R