大数据文摘作品，转载要求见文末 编译团队|李小帅，姚佳灵 有太多不如没有！如果一个数据集有太多变量，会怎么样？这里有些可能的情况你也许会碰上 1.你发现大部分变量是相关的。2.你失去耐心，决定在整个数据集上建模。这个模型返回很差的精度，于是你的感觉很糟糕。3.你变得优柔寡断，不知道该做什么。4.你开始思考一些策略方法来找出几个重要变量。 相信我，处理这样的情形不是像听上去那样难。统计技术，比如，因子分析，主成分分析有助于解决这样的困难。在本文中，我详细地解释了主成分分析的概念。我一直保持说明简要而详实。为了操作上的理解，我也演示了在R使用这个技术并带有解释。 注意： 要理解本文的内容，需要有统计学的知识。 什么是主成分分析？
简而言之，主成分分析是一种从一个数据集的一大组可用变量中提取重要变量的方法。它从高维度数据集中提取出低维度特征变量集合，并尽可能多地捕捉到信息。变量越少，数据可视化也变得更有意义。处理3维或者更高维度的数据集时，主成分分析方法更有效。 它总是在一个对称相关或协方差矩阵上施行。这意味着矩阵应该是数值型的，并且有着标准化的数据。 让我们通过一个例子来理解： 假设我们有一个300(n) X 50(p)维度的数据集。n代表着样本集数量，p代表着预测值的数目。由于我们有个很大的p值，p = 50，因此，会有p(p-1)/2个散布图，也就是说，有可能超过1000个散布图需要分析变量间的关系。在这样的数据集中做探索分析是不是一件非常繁琐的事呀？ 在这样的情况下，选取一个捕捉到尽可能多信息的预测值子集p（p |
|
声明：文章版权归原作者所有 部分文章转自互联网 如有侵权请联系
[邮箱地址] 删除
|
注册
登录
