Як пояснити отримані результати?
Наступним важливим кроком після застосування алгоритму PCA є пояснення результатів.
Ми можемо дослідити кореляцію між кожним головним компонентом і змінною. Цей зв'язок називається факторним навантаженням. Ця статистика полегшує розуміння основного виміру компонента.
Ми використовуємо результати, отримані в попередньому розділі.
C1, C2 і C3 - це основні компоненти, які виводить модель PCA. Вісь Y містить назви стовпців з набору даних. Як бачимо, перша головна компонента найбільше корелює з SalePrice, OveralQual та GarageArea. Припустимо, що це основні змінні, які визначають вартість будинку.
Друга компонента в основному відповідає за показники BedroomAbvGr і KitchenAbvGr - кількість спалень або кухонь, основних приміщень у будинку.
Третя компонента не здається такою очевидною, як попередні 2. Вона має найбільш виражену змінну LotArea та MSSubClass з від'ємною кореляцією.
Факторне навантаження є одним з основних методів, який дозволяє дослідити компоненти, що утворили PCA. Далі ми розглянемо інші методи.
Тест
Результат PCA на наборі даних з рейтингом різних місць (будівель) у місті представлено в таблиці нижче.
Дякуємо за ваш відгук!
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 5.26Як пояснити отримані результати?
Свайпніть щоб показати меню
Наступним важливим кроком після застосування алгоритму PCA є пояснення результатів.
Ми можемо дослідити кореляцію між кожним головним компонентом і змінною. Цей зв'язок називається факторним навантаженням. Ця статистика полегшує розуміння основного виміру компонента.
Ми використовуємо результати, отримані в попередньому розділі.
C1, C2 і C3 - це основні компоненти, які виводить модель PCA. Вісь Y містить назви стовпців з набору даних. Як бачимо, перша головна компонента найбільше корелює з SalePrice, OveralQual та GarageArea. Припустимо, що це основні змінні, які визначають вартість будинку.
Друга компонента в основному відповідає за показники BedroomAbvGr і KitchenAbvGr - кількість спалень або кухонь, основних приміщень у будинку.
Третя компонента не здається такою очевидною, як попередні 2. Вона має найбільш виражену змінну LotArea та MSSubClass з від'ємною кореляцією.
Факторне навантаження є одним з основних методів, який дозволяє дослідити компоненти, що утворили PCA. Далі ми розглянемо інші методи.
Тест
Результат PCA на наборі даних з рейтингом різних місць (будівель) у місті представлено в таблиці нижче.
Дякуємо за ваш відгук!
