Alegerea numărului optim de componente principale

Machine Learning pentru Analiză de Marketing în R

Verena Pflieger

Data Scientist at INWT Statistics

Nr. de componente relevante: varianța explicată

# 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

Nr. de componente relevante: criteriul Kaiser-Guttman

Criteriul Kaiser-Guttman: valoarea proprie > 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

Nr. de componente relevante: screeplot

Screeplot sau: „Găsiți cotul curbei"

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

Număr sugerat de componente per criteriu

Varianță explicată	Kaiser-Guttman	Screeplot
5	6	6

Biplot-ul

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

Exersați!

Machine Learning pentru Analiză de Marketing în R