0

我必须使用不同葡萄酒的红外光谱在高维数据集上执行 PCA，然后将其绘制为 2D。我必须在情节上将红葡萄酒涂成红色，将白葡萄酒涂成绿松石色。

这是我想出的代码：

wine_pca <- prcomp(data[,-c(1:9)]) #eliminate columns 1-9 which contain other non-numeric information
pc <- predict(wine_pca)
pc1 <- predict(wine_pca)[,1]
pc2 <- predict(wine_pca)[,2]

#plot principal components pc1 & pc2 

ggplot(pc, aes(PC1, PC2)) + theme_bw() +
  geom_point(aes(shape = data$name, color = data$color), show.legend = TRUE, size = 3) +
  scale_shape_manual(values = c(3, 4, 8, 21, 22, 23, 24, 25)) +
  scale_color_manual(guide=FALSE, values=c("red", "turquoise")) +
  theme(legend.position = 'right', legend.title =  element_blank()) +
  xlab("First Principal Component") + 
  ylab("Second Principal Component") + 
  ggtitle("First Two Principal Components of a Selection of Wines")

我认为它看起来和运行都很好，但我从教授那里得到的反馈是：

“你为什么要重新调整 pca 的数据？这在这种情况下没有意义（否则请解释）并导致不同的结果”

由于我是个傻瓜，我不太了解反馈 - 我在哪里扩展数据？我的方法从根本上是错误的吗？如果你们中的一个神童可以帮助一个非常绝望的女孩，我将不胜感激。谢谢！

4

1 回答 1

0

由于您的数据不在问题中，您可以试试这个。缩放的基本思想是将所有变量转换为无维比例，以便可以比较它们。在开始时尝试此代码并与您之前的结果进行比较：

wine_pca <- prcomp(data[,-c(1:9)],scale = TRUE)
于 2020-07-30T18:52:56.603 回答