#zad.1
#1. Używając zbioru painters (subiektywne oceny malarzy) z pakietu MASS wykonaj
#analizę składowych głównych. Zbadaj ładunki trzech pierwszych składowych głównych.
#Narysuj diagram rozrzutu dla dwóch pierwszych składowych głównych używając różnych
#kolorów lub symboli do rozróżnienia szkół malarstwa.

library(MASS)
View
(model.pca <- prcomp(painters[1:4]))
var(painters) # co jak co objaśnia
model.pca #ladunki
summary(model.pca) #podsumowanko z standard  derivation

plot(model.pca) #barplocik

model.pca$x #wyniki

plot(model.pca$x[,1], model.pca$x[,2], col = painters$School)
text(model.pca$x[,1], model.pca$x[,2], labels = painters$School)
text(model.pca$x[,1], model.pca$x[,2], labels= row.names(painters))

#zad.2
#2. Używając zmiennych ciągłych oraz porządkowych ze zbioru danych Cars93 z pakietu
#MASS wykonaj analizę składowych głównych. Porównaj:
 # • samochody amerykańskie i inne (Origin),
#• typy samochodów (Type).


library(MASS)
View(Cars93)

dane = na.omit(Cars93[,sapply(Cars93, is.numeric)])
View(dane)

(model.pca2 <- prcomp(dane, scale=TRUE))
var(dane)
plot(model.pca2)
model.pca2
summary(model.pca2)

!!!!!!!!!!!!!!!!! WAZNE

plot(model.pca2$x[,1], model.pca2$x[,2], col =na.omit(Cars93)$Origin, pch=20)

plot(model.pca2$x[,1], model.pca2$x[,2], col =na.omit(Cars93)$Type, pch=20)

#zad.3
#3. Zbiór danych swiss zawiera standardowy miernik płodności i wskaźniki
#społecznogospodarcze dla każdego z 47 francuskojęzycznych prowincji Szwajcarii
#około 1888 roku. Przeprowadzić dla tego zbioru danych metryczne oraz niemetryczne
#skalowanie wielowymiarowe. Zwizualizować wyniki.

View(swiss)

model.mds <- cmdscale(dist(swiss))
model.mds
plot(model.mds)

#metryczne(jest jedno)
plot(model.mds[, 1], -model.mds[, 2])
text(model.mds[,1], -model.mds[,2], labels = rownames(model.mds), cex=0.6)

#niemetryczne(są 2)

  #sammon
    model.sammon <- sammon(dist(swiss))
    plot(model.sammon$points[, 1], -model.sammon$points[, 2])
    text(model.sammon$points[,1], -model.sammon$points[,2], labels = rownames(model.mds), cex=0.6)

  #isoMDS
    model.isoMDS <- sammon(dist(swiss))
    plot(model.isoMDS$points[, 1], -model.isoMDS$points[, 2])
    text(model.isoMDS$points[,1], -model.isoMDS$points[,2], labels = rownames(model.mds), cex=0.6)