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.