Lab7主成分分析.PDF

Lab7: 主成分分析 1. 内容: 练习主成分方法的使用 2. 作业提交: 完成后 面的作业, 现场演示给助教并解释结果. 1 主成分方法的推断 # Pricipal Components Analysis # entering raw data and extracting PCs # from the correlation matrix mydata-iris[,1:4] fit1 - princomp(mydata, cor=TRUE) #variances are computed with the divisor N fit2 - prcomp(mydata,cor=TRUE) #variances are computed with the usual divisor N-1 summary(fit1) # print variance accounted for loadings(fit1) # pc loadings plot(fit1,type=lines) # scree plot fit1$scores # the principal components biplot(fit1) 练练练习习习 1. 完成课本8.28题. 2 主成分方法的应用 1. 维数缩减方面的应用 install.packages(plsgenomics) library(plsgenomics) data(leukemia) ?leukemia names(leukemia) 练练练习习习 2. 使用leukemia数据, 该数据集为38 × 3051维, 变量个数远远大于样本量。试使用PCA降低维数并 在低维空间图示化表达原始数据, 两类癌症病人是否明显分开? 使用SVD方法计算矩阵特征向量和特征根， 以提高计算效率. 2. 使用主成分进行预测 ###pca - 使用前4列 data(iris) dat - as.matrix(iris[,-5]) pca - prcomp(dat, retx=TRUE, center=TRUE, scale=TRUE) ### 假设多元正态成立，计算各组参数 setosa.mean - apply(iris[iris$Species==setosa,-5], 2, mean) setosa.cov - cov(iris[iris$Species==setosa,-5]) versicolor.mean - apply(iris[iris$Species==versicolor,-5], 2, mean) versicolor.cov - cov(iris[iris$Species==versicolor,-5]) virginica.mean - apply(iris[iris$Species==virginica,-5], 2, mean) virginica.cov - cov(iris[iris$Species==virginica,-5]) #模拟产生一组新的观测（使用上面假设的多元正态分布） require(MASS) set.seed(1) n - 30 new.setosa - mvrnorm(n, setosa.mean, setosa.cov) new.versicolor - mvrnorm(n, versicolor.mean, versicolor.cov) new.virginica - mvrnorm(n, virginica.mean, virginica.cov) ### 使用 predict.prcomp 函数预测新数据的主成分得分 pred.setosa - predict(pca, new.setosa) pred.versicolor - predict(pca, new.versicolor) pred.virginica - predict(pca, new.virginica) ### 图示化结果 SPP - iris$Species COLOR - c(2:4) PCH - c(1,16) pc - c(1,2) plot(pca$x[,pc[1]], pca$x[,pc[2]], col