Gebäude-Score-Plot mit Hauptkomponenten

Aug 18 2020

Ich versuche, Score-Plots der ersten beiden Hauptkomponenten zu erstellen. Ich beginne damit, die Daten basierend auf class. Dann transformiere ich die Daten und führe PCA durch.

Meine Daten lauten wie folgt:

14      1   82.0 12.80   7.60   1070   105   400
14      1   82.0 11.00   9.00    830   145   402
14      1  223.6 17.90  10.35   2200   135   500
15      1  164.0 14.50   9.80   1946   138   500
15      1  119.0 12.90   7.90   1190   140   400
15      1   74.5  7.50   6.30    653   177   350
15      1   74.5 11.13   8.28    930   113   402
16      1  279.5 14.30   9.40   1575   230   700
16      1   82.0  7.80   6.70    676   175   525
16      1   67.0 11.00   8.30    920   106   300
16      2  112.0 11.70   8.00   1353   140   560
16      2  149.0 12.80   8.70   1550   170   550
16      2  119.0  8.50   7.40    888   175   250
16      2  119.0 13.30   9.60   1275   157   450
16      2  238.5 14.90   8.90   1537   183   700
16      2  205.0 12.00   7.90   1292   201   600
16      2   82.0  9.40   6.20    611   209   175
16      2  119.0 15.95  10.25   1350   145   450
16      2  194.0 16.74  10.77   1700   120   450
17      2  336.0 22.20  10.90   3312   135   450
17      3  558.9 23.40  12.60   4920   152   600
17      3  287.0 14.30   9.40   1510   176   800
17      3  388.0 23.72  11.86   3625   140   500
17      3  164.0 11.90   9.80    900   190   600
17      3  194.0 14.40   9.20   1665   175   600
17      3  194.0 14.40   8.90   1640   175   600
17      3  186.3  9.70   8.00   1081   205   600
17      3  119.0  8.00   6.50    625   196   400
17      3  119.0  9.40   6.95    932   165   250
17      3   89.4 14.55   9.83   1378   146   400

Spalte 1: type, Spalte 2: class, Spalte 3: v1, Spalte 4: v2, Spalte 5: v3, Spalte 6: v4, Spalte 7: v5, Spalte 8:v6

Mein Code ist wie folgt:

data <- read.csv("data.csv")
result <- split(data, data$class);

data1 <- result[[1]][,3:8];
data1Logged <- log10(data1)
pca.data1Logged = prcomp( ~ v1 + 
                         v2 + 
                         v3 + 
                         v4 + 
                         v5 + 
                         v6, 
                       data = data1Logged, scale. = FALSE );

data2 <- result[[2]][,3:8];
data2Logged <- log10(data2)
pca.data2Logged = prcomp( ~ v1 + 
                         v2 + 
                         v3 + 
                         v4 + 
                         v5 + 
                         v6, 
                       data = data2Logged, scale. = FALSE );

data3 <- result[[3]][,3:8];
data3Logged <- log10(data3)
pca.data3Logged = prcomp( ~ v1 + 
                         v2 + 
                         v3 + 
                         v4 + 
                         v5 + 
                         v6, 
                       data = data3Logged, scale. = FALSE );

Für jeden der drei classmöchte ich ein Score-Plot für PC1 und PC2 haben:

pca.data1Logged$x[,1:2]
pca.data2Logged$x[,1:2]
pca.data3Logged$x[,1:2]

Das ist das Beste, was ich herausfinden konnte:

opar <- par(mfrow = c(1,3))
plot(pca.data1Logged$x[,1:2])
plot(pca.data2Logged$x[,1:2])
plot(pca.data3Logged$x[,1:2])
par(opar)

Aber ich möchte, dass dieser Plot skaliert, gefärbt, überlagert usw. wird. Ich habe angefangen, über ggplot zu lesen, aber ich habe nicht die Erfahrung, dies zu tun. Ich möchte so etwas wie Folgendes:

https://cran.r-project.org/web/packages/ggfortify/vignettes/plot_pca.html

Das Problem mit dem Obigen ist, dass ich die Daten in 3 separate Datenrahmen aufgeteilt habe, also gibt es keine Überschriften für "class1", "class2, "class3".

Antworten

3 BappaDas Aug 18 2020 at 12:51

Sie können verwenden factoextraund FactoMineRmögen

library("factoextra")
library("FactoMineR")

#PCA analysis
df.pca <- PCA(df[,-c(1,2)], graph = T)
# Visualize
# Use habillage to specify groups for coloring
fviz_pca_ind(df.pca,
             label = "none", # hide individual labels
             habillage = as.factor(df$class), # color by groups
             palette = c("#00AFBB", "#E7B800", "#FC4E07"),
             addEllipses = TRUE # Concentration ellipses, legend.title = "Class")

Sie können Dim1 und 2 manuell in PC1 und 2 ändern. Dazu können Sie den Wert von „Dim1 (63,9 %)“ und „Dim2 (23,3 %)“ aus diesem Diagramm notieren und den folgenden Code verwenden, um Dim1 und 2 in PC1 und 2 zu ändern