На самому початку ми торкнулися теми інтерпретації отриманих результатів. Перш за все, варто зазначити, що універсального методу не існує, є лише можливість експертної оцінки, яка повністю залежить від того, наскільки добре ми знаємо дані, з якими працюємо. Ми вже згадували про матрицю факторного навантаження. Ця матриця дозволяє оцінити внесок кожної змінної в головні компоненти. Формально це означає, що кожна компонента представлена лінійною комбінацією вихідних змінних Xn та коефіцієнтів wn:

Таким чином, навантаження - це коефіцієнти wn лінійної комбінації вихідних змінних, з яких будуються головні компоненти. Ми вже візуалізували матрицю факторних навантажень, але зараз познайомимося з більш зручним варіантом. За допомогою бібліотеки pca ми можемо легко створити візуалізацію навантажень у 2D та 3D просторі:

3D-сюжет:

Побудуємо отримані вище графіки за допомогою наступного коду:

from pca import pca

model = pca(n_components = 3)
results = model.fit_transform(X, row_labels = y)

fig, ax = model.plot()

# Scatter 2D model
fig, ax = model.scatter()
fig, ax = model.biplot(n_feat = 4)

# Scatter 3D model
fig, ax = model.scatter()
fig, ax = model.biplot3d()

Якщо ми хочемо вказати мітки для класів даних, додамо аргумент row_labels зі значенням y для функції fit_transform().