Вибір правильної кількості головних компонент

Machine Learning для маркетингової аналітики в R

Verena Pflieger

Data Scientist at INWT Statistics

К-сть релевантних компонент: пояснена дисперсія

# Частка поясненої дисперсії:
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

К-сть релевантних компонент: критерій Кайзера—Ґуттмана

Критерій Кайзера—Ґуттмана: власне значення > 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

К-сть релевантних компонент: графік осипу

Графік осипу: «знайдіть лікоть»

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

Пояснена дисперсія	Критерій Кайзера—Ґуттмана	Графік осипу
5	6	6

Біплот

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

Почнімо!

Machine Learning для маркетингової аналітики в R

Вибір правильної кількості головних компонент

К-сть релевантних компонент: пояснена дисперсія

К-сть релевантних компонент: критерій Кайзера—Ґуттмана

К-сть релевантних компонент: графік осипу

Рекомендована кількість компонент за критеріями

Біплот

Почнімо!