解释princomp结果答案

【问题标题】：interpreting princomp results解释princomp结果
【发布时间】：2013-10-13 10:12:22
【问题描述】：

我目前正在尝试在 R 中进行 PCA。这是我在数据挖掘方面的第一个项目。我有大约 200 个特征和大约 3000 行数据。

数据不是标准化形式，我需要进行降维所以我也在使用 PCA。这就是我到现在为止所做的

x <- princomp(data,scores=TRUE,cor=TRUE)

我想进行降维，我应该查看分值。所以我确实得到了前几个值

head(x$scores)

这是输出

       Comp.1     Comp.2     Comp.3     Comp.4    ...
[1,]  6.831452 -4.4316218 -1.9226226 -0.8344245 
[2,] -1.808007 -4.2743390  1.0173944  0.4527465
[3,] -7.750329 -4.9523056 -1.6750438  1.6247354 
.
.
.

现在我不确定如何解释这些矩阵并获得最佳属性（并进行降维）。如果有人能帮我解决这个问题，那就太好了。

P.S - 我搜索了很多，但没有得到相同的答案。

【问题讨论】：

标签： r pca

【解决方案1】：

scores 只是其中的一部分。一般公式为：

original_data =~ approximation = (scores * loadings) * scale + center

地点：

1. `scores` are the coordinates in your new orthogonal base
1. `loadings` are the directions of the new axis in the old base
1. `scale` are the scaling applied to the dimensions
1. `center` are the coordinates of the new base origin in the old base

使用R对象，上面的公式是

data =~ t(t(x$scores %*% t(x$loadings)) * x$scale + x$center)

您将希望通过仅采用第一个 i 加载来减小尺寸：

data =~ t(t(x$scores[, 1:i] %*% t(x$loadings[, 1:i ])) * x$scale + x$center)

【讨论】：

我认为他们应该先看看summary。当然，他们可能实际上应该进行因子分析而不是 PCA。
@Roland - 感谢您的意见。我确实看了总结。您能否详细说明为什么我应该使用因子分析而不是 PCA？
我不知道您是否应该这样做，因为您的任务没有明确定义。做一些阅读。
@Roland - 我正在尝试使用数据构建预测分类模型。感谢您的输入。肯定会阅读更多材料