PCA en Datos Médicos Matriciales

Leyendo los datos

library(readr)
img <- fread("~/GENER/TESIS/data/IMG2.txt")

Construyendo una matriz de los datos obtenidos

Se utiliza una matriz en vez de un data.frame para poder visualizar los resultados parciales y finales.

matImg <- data.matrix(img, rownames.force = NA)
image(t(matImg[nrow(matImg):1,]), col = gray(seq(1,0, length = 256)))

Implementación del PCA

Preproceso

Removiendo pixeles constantes (variabilidad nula o ménima)

Pendiente implementar ésta seccién

Implementacién del Algoritmo

PCA2 <- prcomp(img, with = F, center  = T, scale. = F)

Evaluacién

plot(cumsum(PCA2$sdev)/sum(PCA2$sdev)*100,
     main = "Proporción Cumulativa de la Varianza Explicada",
     xlab = "Cantidad de Componentes Principales",
     ylab = "% De Varianza Explicada")

Visualizacién del PCA

Proyeccién de los datos en el espacio de dimensiones generado por el PCA

projected2 <- scale(img, PCA2$center, PCA2$scale) %*%
  PCA2$rotation

Visualizacién de los datos generados por el PCA

##Keeping only three dimensions
n_dim <- 100
##Projecting the data back using only the n principal components
coord_x2 <- data.table(img, projected2[,1:n_dim] %*%
             t(PCA2$rotation)[1:n_dim,])
##Plotting new image
  matImg <- matrix(as.numeric(coord_x2[i, 2860:1,with = F]),
                nrow = 52, ncol = 52, byrow = F)
  
  image(matImg)

NA