#install.packages('tidyverse') #install.packages("factoextra") library("factoextra") library(FactoMineR) library(Rcmdr) library(tidyverse) library(knitr)
El PCA es un método para reducir dimensiones de un conjunto de datos.
Técnicamente, el PCA busca la proyección según la cual los datos queden mejor representados en términos de mínimos cuadrados. Esta convierte un conjunto de observaciones de variables posiblemente correlacionadas en un conjunto de valores de variables sin correlación lineal llamadas componentes principales.[2]
Ejemplo de visualización 3-D
http://setosa.io/ev/principal-component-analysis/
Descripción: FactoMineR es un paquete de R dedicado a análisis exploratorio de datos multivariado. Desarrollado y mantenido por F. Husson entre otros.
Página: http://factominer.free.fr/
Realiza varios métdos clásicos como:
data_orig<-read.csv("./FactoMineR_extras/cwurData.csv") data15 <- data_orig[data_orig$year==2015,] data<-data15[c(-2,-3,-4,-14)] # ¬[institution,country,rank_nac,year] kable(x=names(data),row.names=T,format = "html")
#row.names(data)=data$institution PeCA<-PCA(data, scale.unit=T,graph=F,quanti.sup=c(1,10)) par(mfrow=c(1,2)) plot.PCA(PeCA, choix="var", axes = c(1,2)) plot.PCA(PeCA, choix="var", axes = c(3,5))
par(mfrow=c(1,2)) plot.PCA(PeCA, choix="ind",label = "none",axes = c(1,2)) plot.PCA(PeCA, choix="ind",label = "none",axes = c(3,5))
summary(PeCA)
library("factoextra") res.pca <- prcomp(data, scale = TRUE) #get_eig(res.pca) par(mfrow=c(1,2)) fviz_eig(res.pca, addlabels=TRUE, hjust = -0.3) + ylim(0, 80) fviz_eig(res.pca, choice = "eigenvalue", addlabels = TRUE)
-https://es.wikipedia.org/wiki/An%C3%A1lisis_de_componentes_principales - http://factominer.free.fr/
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.