laba10
Semin A.S.
13 мая 2018 г
Анализ главных компонент
Средние значения и дисперсия каждого регрессора.
## Type Min.Price Price
## 3.024390 16.826829 19.170732
## Max.Price MPG.city MPG.highway
## 21.515854 23.085366 29.975610
## AirBags DriveTrain Cylinders
## 2.146341 2.109756 2.780488
## EngineSize Horsepower RPM
## 2.589024 139.951220 5328.048780
## Rev.per.mile Man.trans.avail Fuel.tank.capacity
## 2367.865854 1.682927 16.113415
## Passengers Length Wheelbase
## 4.939024 183.158537 103.207317
## Width Turn.circle Rear.seat.room
## 68.902439 38.621951 27.536585
## Luggage.room Weight Origin
## 13.890244 2988.170732 1.487805## Type Min.Price Price
## 1.777176e+00 7.960125e+01 9.918802e+01
## Max.Price MPG.city MPG.highway
## 1.310186e+02 3.128892e+01 2.511051e+01
## AirBags DriveTrain Cylinders
## 5.215297e-01 2.223728e-01 1.284553e+00
## EngineSize Horsepower RPM
## 1.008150e+00 2.606615e+03 3.407468e+05
## Rev.per.mile Man.trans.avail Fuel.tank.capacity
## 2.472901e+05 2.192111e-01 9.061670e+00
## Passengers Length Wheelbase
## 5.024089e-01 2.332955e+02 4.182069e+01
## Width Turn.circle Rear.seat.room
## 1.364469e+01 1.001581e+01 8.072719e+00
## Luggage.room Weight Origin
## 8.987805e+00 3.202836e+05 2.529359e-01Стоит отметить, что функция центрированных переменных выдает нам также средние значения каждого регрессора. По последнему графику видно, что нам достаточно 2 компонент. Они суммарно объясняют более 70% дисперсии.
## Type Min.Price Price
## 3.024390 16.826829 19.170732
## Max.Price MPG.city MPG.highway
## 21.515854 23.085366 29.975610
## AirBags DriveTrain Cylinders
## 2.146341 2.109756 2.780488
## EngineSize Horsepower RPM
## 2.589024 139.951220 5328.048780
## Rev.per.mile Man.trans.avail Fuel.tank.capacity
## 2367.865854 1.682927 16.113415
## Passengers Length Wheelbase
## 4.939024 183.158537 103.207317
## Width Turn.circle Rear.seat.room
## 68.902439 38.621951 27.536585
## Luggage.room Weight Origin
## 13.890244 2988.170732 1.487805
Кластеризация
Кластеризация по методу К средних
K=2. Разбиение на 2 кластеры мне не кажется наилучшим вариантом, так как некоторые значения из разных кластеров находятся почти впритирку.
## [1] 1 1 1 1 1 2 2 2 2 2 1 2 2 2 1 2 1 2 2 1 2 2 2 1 1 1 2 1 2 2 2 2 2 1 1
## [36] 1 1 1 2 1 2 1 1 1 1 2 2 2 2 1 2 1 2 2 1 1 1 1 2 1 2 2 2 1 2 2 2 2 1 2
## [71] 2 1 1 1 2 1 1 2 1 1 2 1
K=3. Разбиение на 3 кластера следует считать приемлемым. Стоит отметить, что при nstart больше 1, внутриклассовая дисперсия больше, чем при nstart=1.
## [1] 6491824## [1] 6448973Иерархическая кластеризация
Из 3 графиков четко видно, что в первом, где полное присоединение, кластеров меньше, поэтому используем этот метод.
