Вот статья в блоге, в которой представлены различные методы извлечения PC1 и PC2 в R с использованием разговорного языка и примеров кода:

Анализ главных компонентов (PCA) – популярный метод уменьшения размерности, используемый в анализе данных и машинном обучении. Это помогает выявить наиболее важные закономерности и связи в наборе данных. В этой статье мы погрузимся в мир PCA в R и узнаем, как извлечь PC1 и PC2, первые два основных компонента, из вашего набора данных.

Метод 1: использование функции prcomp()
Один из самых простых способов выполнить PCA и извлечь PC1 и PC2 в R — использовать встроенную функцию prcomp(). Давайте рассмотрим пример:

# Load the dataset
data <- read.csv("your_dataset.csv")
# Perform PCA
pca <- prcomp(data)
# Extract PC1 and PC2
pc1 <- pca$x[, 1]
pc2 <- pca$x[, 2]
# Print PC1 and PC2
print(pc1)
print(pc2)

Метод 2: расчет главных компонентов вручную
Если вам нужен больший контроль над процессом PCA, вы можете рассчитать главные компоненты вручную, используя разложение по сингулярным значениям (SVD) и матричные операции. Вот пример:

# Load the dataset
data <- read.csv("your_dataset.csv")
# Center the data
centered_data <- scale(data, center = TRUE, scale = FALSE)
# Calculate the covariance matrix
covariance_matrix <- cov(centered_data)
# Perform SVD
svd_result <- svd(covariance_matrix)
# Extract PC1 and PC2
pc1 <- centered_data %*% svd_result$v[, 1]
pc2 <- centered_data %*% svd_result$v[, 2]
# Print PC1 and PC2
print(pc1)
print(pc2)

Метод 3: использование пакета FactoMineR
Пакет FactoMineR предоставляет дополнительные функции для выполнения PCA в R. Вот пример его использования для извлечения PC1 и PC2:

# Install and load the FactoMineR package
install.packages("FactoMineR")
library(FactoMineR)
# Load the dataset
data <- read.csv("your_dataset.csv")
# Perform PCA using FactoMineR
pca <- PCA(data)
# Extract PC1 and PC2
pc1 <- pca$ind$coord[, 1]
pc2 <- pca$ind$coord[, 2]
# Print PC1 and PC2
print(pc1)
print(pc2)

В этой статье мы рассмотрели различные методы извлечения PC1 и PC2 в R с использованием PCA. Мы рассмотрели встроенную функцию prcomp(), ручной расчет с использованием SVD и пакет FactoMineR. В зависимости от ваших предпочтений и сложности анализа вы можете выбрать метод, который лучше всего соответствует вашим потребностям. Начните внедрять PCA в свои проекты R и раскройте скрытые закономерности в ваших данных!