PCA

这篇博客详细介绍了PCA(主成分分析)的过程,包括数据读取、PCA计算、主成分结果展示和解释。作者通过碎石图验证了前两个主成分的高方差贡献率,并解释了它们的含义,指出第一主成分反映国家综合实力,第二主成分强调短跑项目。后续内容进行了基于PCA结果的简单分析和聚类操作。
摘要由CSDN通过智能技术生成

一次来自男神MR.来的作业

PCA

读取数据

#读取数据,数据名称为“PCA上机数据”,且对数据进行整理
setwd("/Users/auzzer_pang")
data_PCA = read.table("PCA上机数据.txt")
data = data_PCA[,1:7]
names(data) = 
c('100','200','400','800','1500','3000','Marathon')
row.names(data) = data_PCA[,8]

PCA主体部分

#由于单位不同所以先对数据标准化
cor(data)
#利用princomp函数进行主成分分析
PCA=princomp(data, cor=T)
#cor = T这个选项可以帮助我们吧矩阵变为协方差阵
summary(PCA, loadings=T) 

输出PCA的主要结果,列出主成分分析分析结果

PCA结果详细展示

利用碎石图来展示PCA结果

接下来我们利用碎石图来客观表现我们的主成分分析结果


                
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值