การเลือกจำนวน principal components ที่เหมาะสม

Machine Learning for Marketing Analytics ใน R

Verena Pflieger

Data Scientist at INWT Statistics

จำนวน components ที่เหมาะสม: explained variance

# 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
Machine Learning for Marketing Analytics ใน R

จำนวน components ที่เหมาะสม: เกณฑ์ Kaiser-Guttman

เกณฑ์ Kaiser-Guttman: Eigenvalue > 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
Machine Learning for Marketing Analytics ใน R

จำนวน components ที่เหมาะสม: screeplot

Screeplot หรือ: "หาจุดศอก"

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

Machine Learning for Marketing Analytics ใน R

จำนวน components ที่แต่ละเกณฑ์แนะนำ

Explained Variance Kaiser-Guttman Screeplot
5 6 6
Machine Learning for Marketing Analytics ใน R

Biplot

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

Machine Learning for Marketing Analytics ใน R

มาฝึกกันเถอะ!

Machine Learning for Marketing Analytics ใน R

Preparing Video For Download...