r语言dataellipse_R语言 PCA分析

PCA数据分析

PCA结果分析及可视化首推factoextra包，能处理各种R函数计算PCA的结果，有：

stats::prcomp()

FactoMiner::PCA()

ade4::dudi.pca()

ExPosition::epPCA()

如果我们想判断PCA中需要多少个主成分比较好，那么可以从主成分的特征值来考虑(Kaiser-Harris准则建议保留特征值大于1的主成分)；特征值表示主成分所保留的变异量(所解释的方差)；如用get_eigenvalue函来提取特征值，结果中第一列是特征值，第二列是可解释变异的比例，第三列是累计可解释变异的比例

> eig.val

> eig.val

eigenvalue variance.percent cumulative.variance.percent

Dim.1 4.1242133 41.242133 41.24213

Dim.2 1.8385309 18.385309 59.62744

Dim.3 1.2391403 12.391403 72.01885

Dim.4 0.8194402 8.194402 80.21325

Dim.5 0.7015528 7.015528 87.22878

Dim.6 0.4228828 4.228828 91.45760

Dim.7 0.3025817 3.025817 94.48342

Dim.8 0.2744700 2.744700 97.22812

Dim.9 0.1552169 1.552169 98.78029

Dim.10 0.1219710 1.219710 100.00000

除了卡特征值大于1作为主成