高维数据的展示

高维数据的可视化最主要目标就是数据降维

降维方法分线性降维和非线性降维两大类，其中线性降维包括主成分分析PCA，多为尺度分析MDS，非矩阵分解NMF等；非线性方法包括等距特征映射和局部线性嵌套，tSNE等。

主成分分析PCA

主成分分析法采用一个线性变换将数据变换到一个新的坐标系统，使得任何数据点投影到第一个坐标轴的方差最大，在第二个坐标的方差第二大，以此类推。因此，主成分分析可以减少数据的维数，并保持对方差贡献最大的特征，相当于保留低阶主成分，忽略高阶主成分。

R中实现主成分分析需要使用FactoMineR包进行分析，使用factoextra包进行可视化

下面我们先构造数据

df <- iris[c(1, 2, 3, 4)]

df

可视化代码

iris.pca<- PCA(df, graph = F) #先进性PCA分析

fviz_pca_ind(iris.pca,

geom.ind = "point", # show points only (nbut not "text")

pointsize =3,pointshape = 21,fill.ind = iris$Species, # color by groups

palette = c("#00AFBB", "#E7B800", "#FC4E07"),

addEllipses = TRUE, # Concentration ellipses 椭圆

legend.title = "Groups",

title="")+

theme_grey() +

theme(

text=element_text(size=12,face="plain",color="black"), #控制所有的文本，但是后面有单独控制axis和title会被后面掩盖，所以这里只对legend有效果

axis.title=element_text(size=11,face="plain",color="black"),

axis.text = element_text(size=10,face="plain",color="black"),

legend.title = element_text(size=11,face="plain",color="black"),

legend.text = element_text(size=11,face="plain",color="black"),

legend.background = element_blank(),

legend.position=c(0.88,0.15)