首先,我们来看组件组成(图 12.9 )。在这里,我们只考虑前两个组件,PC 1 和 PC 2.因为 PC 是原始变量的线性组合(在标准化之后),我们可以将原始变量表示为箭头,指示它们对 PC 的贡献程度。在这里,我们看到钡和钠主要贡献于 PC 1 而不是 PC 2,钙和钾主要贡献于 PC 2 而不是 PC 1,其他变量对两种成分的贡献不同(图 [12.9)](visualizing-associations.html#fig:forensic-PCA-rotation) )。箭头的长度各不相同,因为有两台以上的 PC。例如,铁的箭头特别短,因为它主要用于高阶 PC(未示出)。
接下来,我们将原始数据投影到主要组件空间(图 12.10 )。我们在该图中看到了不同类型的玻璃碎片的清晰聚类。来自前照灯和车窗的碎片落入 PC 图中清晰描绘的区域,几乎没有异常值。来自餐具和容器的碎片更加分散,但与前照灯和窗户碎片明显不同。通过比较图 12.10 和图 12.9 ,我们可以得出结论,窗口样品的镁含量高于平均值,低于平均钡,铝和钠含量,而相反的是适用于前照灯样品。
接下来,我们将原始数据投影到主成分空间(图 12.10 )。我们在该图中看到了不同类型的玻璃碎片的清晰聚类。来自前照灯和车窗的碎片落入 PC 图中清晰描绘的几个区域,几乎没有利群店。来自餐具和容器的碎片更加分散,但与前照灯和窗户碎片明显不同。通过比较图 12.10 和图 12.9 ,我们可以得出结论,窗户样本的镁含量高于平均值,钡,铝和钠含量低于平均值,而前照灯样品相反。
![](img/306259d1091a5d5d29c7a4ecdaf0c710.jpg)
图 12.10:在 12.9 中定义的主要成分空间中可视化的单个玻璃碎片的组成。我们看到不同类型的玻璃样品聚集在 PC 1 和 2 的特征值上。特别是,前照灯的特征在于负 PC 1 值,而窗口倾向于具有正 PC 1 值。餐具和容器的 PC 1 值接近零,并且往往具有正 PC 2 值。但是,有一些例外情况,容器碎片同时具有负 PC 1 值和负 PC 2 值。这些碎片的组成与所分析的所有其他碎片完全不同。