在一個大數據中，屬性與數據這麼多的情況下，要如何挑出有用的特徵屬性，且將數據都映射於平面二維中呢?
今天就要來跟大家說明如何使用昨天講述到的PCA來操作拉~

繪圖初步理解PCA

首先，先運用「Paint Data」來繪製數據的分布，再將其連接「PCA」組件傳入剛剛的數據。

接著連線「Data Table」將它們之間的連線以Component(構成要素)與Data接。

若我們的數據於多維空間中是一條線，那麼只需要幾個主成分就足以解釋它了，而這裡是兩個。

補充說明
每個 PC 都是其中變量的線性組合。PC1 是提取最大方差的主成分(盡可能地多解釋了差異)，PC2 是從PC1剩下的內容中提取最大方差的主成分(盡可能將多出來的剩餘方差)，PC3 、PC4…等依此類推。

實作

接下來，我們將會教導大家「如何用PCA將數據轉換為一組不是線性相關的屬性的數據」。
這次我們要用Orange內有的數據集來操作， 先將「Datasets」打開。

而這次選的是Wine這個擁有13個特徵(多維)的數據集來示範，而它為義大利同一地區生產的葡萄酒進行化學分析的結果。

可連接「Data Table」查看左上角的數據資訊與內容。

現在大家可能在想，那後續要用多少個主成分呢?
其實最好就是先選前幾個主成分，像是可覆蓋住80%數據的主成分即可，在此Orange有顯示方差的比例，而我們可以由下方GIF看到，我們選到第五個主成分時，就已達到可解釋80%數據的量了。

那麼我們則可接「Data Table」與「Scatter Plot」來查看數據呈現了!

我以第一與二的主成分來繪圖查看，會發現這三組方差的分離效果良好。

再經由Data Table看看每個屬性於主成分中的比例。完成以上動作，也算是把數據降維與視覺化囉，有興趣的人，可以再多探索其背後意涵喔!

好啦~今日就先到此囉，這篇我個人覺得難度偏難，大家可以慢慢摸索集練習，我們明天繼續加油!

參考資料:
Orange