분석 결과
- analysis_type: pca
- basic_stats: {'n_variables': 3, 'n_samples': 10, 'n_components': 1, 'total_variance_explained': 0.9553731548970786, 'kaiser_criterion': 1, 'missing_values': 0, 'standardized': True}
- components_info: [{'component': 'PC1', 'explained_variance_ratio': 0.9553731548970786, 'explained_variance': 3.184577182990264, 'cumulative_variance': 0.9553731548970786, 'eigenvalue': 3.184577182990264, 'top_variables': [{'variable': 'math', 'loading': 1.0491202175415162, 'abs_loading': 1.0491202175415162}, {'variable': 'science', 'loading': 1.0290165193840295, 'abs_loading': 1.0290165193840295}, {'variable': 'english', 'loading': 1.0124470134138797, 'abs_loading': 1.0124470134138797}], 'interpretation': "PC1: '요인1' - 주요 변수: math, science, english"}]
- loadings_matrix: [{'variable': 'math', 'loadings': [1.0491202175415162]}, {'variable': 'science', 'loadings': [1.0290165193840295]}, {'variable': 'english', 'loadings': [1.0124470134138797]}]
- scree_data: [{'component': 'PC1', 'eigenvalue': 3.184577182990264, 'variance_ratio': 0.9553731548970786}, {'component': 'PC2', 'eigenvalue': 0.13872107880254544, 'variance_ratio': 0.04161632364076361}, {'component': 'PC3', 'eigenvalue': 0.010035071540526207, 'variance_ratio': 0.00301052146215786}]
- scores_data: [{'sample_id': 1, 'scores': [1.5371530784507001]}, {'sample_id': 2, 'scores': [-0.6646151489311174]}, {'sample_id': 3, 'scores': [2.558855181128641]}, {'sample_id': 4, 'scores': [-2.666388981142152]}, {'sample_id': 5, 'scores': [0.8796337076650446]}, {'sample_id': 6, 'scores': [-1.3901352143727894]}, {'sample_id': 7, 'scores': [-0.06786037371149033]}, {'sample_id': 8, 'scores': [1.6672743088393105]}, {'sample_id': 9, 'scores': [-2.506535500939883]}, {'sample_id': 10, 'scores': [0.6526189430137368]}]
- ai_interpretation: 🔍 **PCA 분석 결과 요약** • 원본 변수: 3개 • 추출된 주성분: 1개 • 전체 분산 설명력: 95.5% • 표본 크기: 10개 • 차원 축소 효과: 66.7% 감소 🎯 📊 **주성분별 상세 분석:** **PC1** (95.5% 설명) • PC1: '요인1' - 주요 변수: math, science, english • 누적 설명력: 95.5% - math: 정적 관계 (로딩: 1.049) - science: 정적 관계 (로딩: 1.029) 🎓 **분석 품질 평가:** • ✅ 우수한 차원 축소! 정보 손실이 적습니다. • Kaiser 기준: 1개 주성분 권장 💡 **활용 방안:** • 데이터 시각화: 2D/3D 산점도로 패턴 확인 • 변수 선택: 주요 로딩 변수들을 핵심 지표로 활용 • 추가 분석: 주성분 점수를 새로운 변수로 사용 • 🚀 차원 축소 효과가 크므로 빅데이터 전처리에 유용!