我正在嘗試使用 PCA 計算索引。我使用“mtcars”作為我的資料集。這是我的代碼：
pca_mt<- prcomp(mtcars[,c(1:7,10,11)], center = TRUE,scale. = TRUE)
如何獲得每個變數的權重以將它們相加以計算索引？感謝有人能解釋什么
pca_mt$rotation ，pca_mt$x是。
uj5u.com熱心網友回復：
也許這可以幫助您更好地了解什么pca_mt$rotation，pca_mt$x主要有：
data <- mtcars[,c(1:7,10,11)]
pca_mt<- prcomp(data, center = F,scale. = F)
sum(data[1,] * pca_mt$rotation[,1]) == pca_mt$x[1,1]
[1] TRUE
請注意，這僅適用于center=F和scale.=F。
為了進一步閱讀，我推薦https://builtin.com/data-science/step-step-explanation-principal-component-analysis來初步了解什么是 PCA。
因此，要了解 PCA 組件可以解釋多少差異，您可以使用
summary(pca_mt)
Importance of components:
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9
Standard deviation 310.1169 40.88309 15.83774 2.12821 0.99854 0.74271 0.4412 0.2913 0.2168
Proportion of Variance 0.9803 0.01704 0.00256 0.00005 0.00001 0.00001 0.0000 0.0000 0.0000
Cumulative Proportion 0.9803 0.99738 0.99993 0.99998 0.99999 1.00000 1.0000 1.0000 1.0000
第一個分量解釋了資料中 98,03% 的方差，下一個分量 (98,03%-99,738%) 以此類推。因此，使用第一個組件，您可以解釋資料中的幾乎所有差異。
轉載請註明出處，本文鏈接：https://www.uj5u.com/yidong/377747.html
標籤：r