r - R中的PCA - 我们是否需要通过乘以负号来重新分配“prcomp”的元素？

Question

一位教练在视频中做到了这一点。他只是快速解释说他这样做是因为 R 的默认性质。但是，我以前从未见过这个应用程序。这是正确的，他为什么这样做？

pca <- prcomp(data, scale=TRUE)
pca$rotation <- -pca$rotation
pca$x        <- -pca$x

Answer 1

这PCA是一种unsupervised-learning算法，它不识别有关组的信息。

您应该使用旋转矩阵来尝试更好地理解结果。

这是为什么？

因为您假设潜在因素是正交的。解是一组具有唯一方差的因子。最大似然解是因子的正交变换。旋转矩阵以最大限度地简化解释是有意义的。

如果你想深入讨论因子分析，我建议你访问这个。我上面写的链接是FactoMiner包的官方页面。 在这里，您可以找到有关软件包解释的视频（软件包的作者所做的）FactoMiner以及有关因子分析的所有功能等。

Answer 2

这有点奇怪，与 R 的性质等无关。它可能与数据有关，以及 pca 的用途。由于数据是按比例缩放的，因此通过添加负数，您只需翻转主成分分数：

data = iris[,1:4]
pca <- prcomp(data, scale=TRUE)

par(mfrow=c(1,2))
plot(pca$x[,1:2],col=factor(iris$Species),main="original")
plot(-pca$x[,1:2],col=factor(iris$Species),main="negative")

如果您将其用于回归等。这并不重要。