Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- #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)
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement