PCA 入門

R 的無監督式學習

Hank Roark

Senior Data Scientist at Boeing

兩種分群方法

兩種分群方法－找出同質群組
接著是降維
- 在特徵中找結構
- 幫助視覺化

降維

常見方法是主成分分析（PCA）
將特徵壓到較低維度的三個目標：
- 找到變數的線性組合以建立主成分
- 保留資料中的最大變異
- 主成分彼此不相關（亦即互相正交）

PCA 直覺

散佈圖

PCA 直覺

迴歸線

PCA 直覺

主成分分數投影

高維資料的視覺化

不同資料維度

視覺化

iris 資料集的 PCA

在 R 中進行 PCA

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

一起來練習吧！

R 的無監督式學習