【发布时间】:2020-04-10 19:04:49
【问题描述】:
我正在对数据框中的 5 个变量进行主成分分析,以查看可以删除哪些变量。
df <-data.frame(variableA, variableB, variableC, variableD, variableE)
prcomp(scale(df))
summary(prcomp)
给出以下结果
PC1 PC2 PC3 PC4 PC5
Proportion of Variance 0.5127 0.2095 0.1716 0.06696 0.03925
我的问题是,如果我更改数据框中变量的顺序,我会得到相同的结果
df <-data.frame(variableC, variableF, variableA, variableE, variableB)
prcomp(scale(df))
summary(prcomp)
PC1 PC2 PC3 PC4 PC5
Proportion of Variance 0.5127 0.2095 0.1716 0.06696 0.03925
我如何知道 5 个变量中的哪些与 PC1 相关,哪些与 PC2 等相关?
【问题讨论】:
-
您好,您将始终为矩阵返回相同的 PCA。列顺序并不重要。通过相关,您在寻找什么?
-
我想看看我可以在不丢失太多功能的情况下排除 5 列中的哪一列。
-
hmmmm 然后做 pca = prcomp(scale(df)) ; cor(pca$x[,1:2],df)
-
好的,如果你的前 2 台 PC 解释了 70% 的差异,你可以去 pca$rotation,这些告诉你每台 PC 中每个组件的使用量
-
如果您要删除基于“PCA 逻辑”的列,只需查看每列的方差,然后删除方差最低的列。这不是 PCA 所做的,而是 PCA 根据沿某个维度的最大方差(与“沿每一列”不同)选择主成分