評價美國法官評分中要保留的主成分個數。碎石圖(直線與x符號)、特征值大于1準則(水平線)和100次模擬的平行分析(虛線)都表明保留一個主成分即可

可以看出只有左上交Component Number為1的特征值是大于1且大于平行分析的特征值的。所以選擇一個主成分即可保留數據集的大部分信息。下一步是使用principal()函數挑選出相應的主成分。

?

可以看出第一主成分(PC1)基本與每個變量都高度相關(除了CONT)，也就是說，它是一個可用來進行一般性評價的維度。 ??h2欄指成分公因子方差——主成分對每個變量的方差解釋度。u2欄指成分唯一性——方差無法被主成分解釋的比例(1-h2)。 ??SS loadings行包含了與主成分相關聯的特征值，指的是與特定主成分相關聯的標準化后的方差值(本例中，第一主成分的值為10)。最后，Proportion Var行表示的是每個主成分對整個數據集的解釋程度。此處可以看到，第一主成分解釋了12個變量84%的程度。

PC1$scores

?

主成分得分

由于變量CONT與PC1的相關性太低，即PC1無法代表CONT，所以我們增加一個主成分PC2來代表CONT，結合上期的推送，作圖如下：

?

可以看出，PC1(84.4%)和PC2(9.2%)共可以解釋這12個變量的93.6的程度，除了CONT外的其他的11個變量與PC1都有較好的相關性，所以PC1與這11個變量基本斜交，而CONT不能被PC1表示，所以基本與PC1正交垂直，而PC2與CONT基本平行，表示其基本可以表示CONT。

總結

以上是生活随笔為你收集整理的主成分分析计算机如何实现,主成分分析(PCA)原理及R语言实现及分析实例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。