Выбор оптимального числа главных компонент

Машинное обучение для маркетинговой аналитики на R

Verena Pflieger

Data Scientist at INWT Statistics

Число компонент: объяснённая дисперсия

# 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

Число компонент: критерий Кайзера–Гуттмана

Критерий Кайзера–Гуттмана: собственное значение > 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

Число компонент: график каменистой осыпи

График каменистой осыпи: «найдите локоть»

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

Объяснённая дисперсия	Критерий Кайзера–Гуттмана	График осыпи
5	6	6

Биплот

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

Давайте потренируемся!

Машинное обучение для маркетинговой аналитики на R

Выбор оптимального числа главных компонент

Число компонент: объяснённая дисперсия

Число компонент: критерий Кайзера–Гуттмана

Число компонент: график каменистой осыпи

Рекомендуемое число компонент по каждому критерию

Биплот

Давайте потренируемся!