# 第8章 主成分分析
# 主成分分析的核心思想是通过降维的方法，把数据信息的主要成分提取出来，将多个冗余特征简化为一个特征的过程。
# 例8-1
x1 = c(171,175,159,155,152,158,154,164,168,166,159,164)
x2 = c(57,64,41,38,35,44,41,51,57,49,47,46)
plot(x1,x2,xlim=c(145,180),ylim=c(25,75))
lines(c(150,178), c(33,66)); text(180,68,"y1")
lines(c(161,168), c(60,38)); text(161,63,"y2")
# 有几个变量就有几个主成分
多元统计分析及R语言建模-第8章 主成分分析（PCA）
最新推荐文章于 2022-12-07 09:57:19 发布
本文详细介绍了主成分分析（PCA）的核心思想，即通过降维方法提取数据主要成分，简化冗余特征。文章以R语言为例，演示了如何使用princomp()函数进行主成分分析，并通过screeplot()函数绘制碎石图确定主成分数量。此外，还展示了数据标准化、计算特征值和特征向量、计算主成分得分等步骤。
部署运行你感兴趣的模型镜像
您可能感兴趣的与本文相关的镜像
Dify
AI应用
Agent编排
Dify 是一款开源的大语言模型（LLM）应用开发平台，它结合了 后端即服务(Backend as a Service) 和LLMOps 的理念，让开发者能快速、高效地构建和部署生产级的生成式AI应用。 它提供了包含模型兼容支持、Prompt 编排界面、RAG 引擎、Agent 框架、工作流编排等核心技术栈，并且提供了易用的界面和API，让技术和非技术人员都能参与到AI应用的开发过程中
最低0.47元/天 解锁文章
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
