PCA分析和可视化常用的是FactoMineR和factoextra的组合,分析和出图都很方便,比如将iris数据集的四个参数降维(示例使用):library(magrittr)library(ggplot2)# PCApca_facto F) # 绘图 factoextra::fviz_pca_ind( pca_facto, habillage = factor(iris$Species), label = "none", mean.point = F)可以发现两个主成分解释了近96%的原始数据。R中的prcomp函数也可以进行降维,从熟悉R函数的角度出发,尝试复现上述的降维图。降维前需要先将数据进行scale,否则结果会有少许差异:pca_prcp % scale %>% prcomp()pca_prcp是一个prcomp对象,降维的坐标在pca_prcp不能识别此Latex公式: x中,每个主成分的贡献值需要根据pca_prcpsdev计算。主成分的坐标:pca_prcp$x %>% .[,1:2] %>% head# PC1 PC2# [1,] -2.257141 -0.47
………………………………