Primero, creo que es mejor explicar cómo funciona la PCA, luego será más fácil entender o interpretar los resultados de la PCA.
PCA es una dimensión reducida techinc. Supongamos que tiene características con 10 dimensiones e intenta utilizar PCA para reducirlo a 1 dimensión. lo que hace PCA es encontrar una nueva dimensión que pueda capturar la mayor variación de los datos.
- ¿Cuál es un buen tutorial sobre el uso de Weka con Big Data?
- ¿Cómo se hace la inferencia en una red neuronal con capas de normalización por lotes?
- ¿Por qué algunos clasificadores no pueden manejar los atributos continuos?
- ¿Cuál es la diferencia entre el aprendizaje por refuerzo y la optimización de caja negra?
- ¿Cuántos selfies debe leer un Machine Learning antes de poder discernir el origen étnico?
Recibo este gráfico de Google, puede ver que sigue la primera dimensión de PCA, tendrá una mayor variación en comparación con la segunda dimensión de PCA.
Entonces, cuando analiza los resultados de PCA, lo primero que puede decir es cuántos componentes elegirá por PCA o cómo mis nuevos componentes explican la información que tienen los datos originales. Dado que podemos reducir la dimensión a cualquier número menor que la dimensión original. Para esta pregunta, puede usar la varianza acumulativa de cada componente.
En segundo lugar, puede analizar cómo los nuevos componentes se relacionan con el original. Al igual que interpretar los coeficientes de regresión lineal, la mayoría de los resultados de PCA dan la correlación entre los componentes principales y las variables originales. A partir de él, puede ver qué variables afectan sus componentes principales y cómo afectan a los componentes principales.
Espero que esto te ayude a analizar los resultados de tu PCA
