# أجرِ تحليل المكوّنات الرئيسية وارسمه كما ينبغي

> ارفع جدولًا بالقياسات. يحوّل Yila المتغيرات إلى قيم معيارية، ويُجري تحليل المكوّنات الرئيسية (PCA)، ويرسم مخطط الدرجات (score plot) ومخطط Scree ومخططًا ثنائيًا سهل القراءة، مع التحميلات (loadings) والنص البرمجي.

URL: https://yila.ai/ar/playbooks/pca-plot

## ما الذي ستحصل عليه

- **مخطط الدرجات** (PNG + SVG): المكوّن PC1 مقابل PC2، مع نسبة التباين المفسَّر على كل محور، ونقاط ملوّنة بحسب المجموعة، وإهليلجات الثقة 95%.
- **مخطط Scree** (PNG + SVG): نسبة التباين التي يفسّرها كل مكوّن منفردًا وتراكميًا، لتتمكن من تبرير عدد المكوّنات التي تحتفظ بها.
- **المخطط الثنائي والتحميلات** (شكل + CSV): أسهم للمتغيرات الأكثر إسهامًا، إضافة إلى جدول التحميلات الكامل لجميع المكوّنات.
- **النص البرمجي** (نص برمجي بلغة Python): التحليل كاملًا بلغة Python (أو R إن طلبت)، مع خطوات المعالجة الأولية مكتوبة صراحةً.

## كيف يعمل

1. **ارفع الجدول وحدّد المجموعات**: قدّم إلى Yila ملف CSV أو Excel فيه القياسات، واذكر العمود الذي تريد التلوين بحسبه. وتُستخدم المجموعات للتلوين فقط، ولا تدخل في حساب PCA نفسه.
2. **يفحص Yila المتغيرات ومقاييسها**: ينظر في الوحدات ومدى القيم، ويحوّل المتغيرات المقيسة بمقاييس مختلفة إلى قيم معيارية، ويذكر القيم المفقودة قبل إجراء التحليل.
3. **احصل على المخططات الثلاثة والتحميلات**: يُرسم مخطط الدرجات ومخطط Scree والمخطط الثنائي، وتُفحص، ثم تُحفظ مع التحميلات والنص البرمجي. ويمكنك أن تطلب في المحادثة نفسها PC1 مقابل PC3، أو أسماءً على النقاط، أو عرضًا ثلاثي الأبعاد.

## حالات الاستخدام

- **بيانات الأوميكس والميتابولوميات**: اعرف هل تتجمّع العينات بحسب المعالجة أم بحسب الدفعة قبل التحليل التفاضلي.
- **الكيمياء وعلوم الأغذية**: بيّن كيف تنفصل العينات وفق خصائص مقيسة كثيرة في آن واحد، وأي الخصائص وراء هذا الانفصال.
- **بيانات المسوح والاستبانات**: اختزل بنودًا كثيرة مترابطة إلى عدد قليل من المكوّنات، واعرف أي البنود تتجمّع على المكوّن نفسه.

## أسئلة شائعة

### ماذا يُظهر مخطط PCA؟

يحوّل تحليل المكوّنات الرئيسية متغيرات كثيرة مترابطة إلى عدد قليل من المكوّنات غير المترابطة، مرتّبة بحسب مقدار التباين الذي يفسّره كل منها. ويضع مخطط الدرجات كل عينة على المكوّنين الأولين، فتتقارب العينات المتشابهة إجمالًا.

### هل ينبغي تحويل المتغيرات إلى قيم معيارية؟

نعم، إذا كانت مقيسة بوحدات مختلفة أو تتفاوت مدياتها؛ وإلا هيمن المتغير ذو الأرقام الأكبر على النتيجة. ففي المثال تبلغ قيم البرولين المئات بينما تدور قيم تدرّج اللون (hue) حول 1، ولذلك حُوّلت المتغيرات الثلاثة عشر كلها إلى قيم معيارية. أما المتغيرات التي تشترك في مقياس واحد فقد يتركها Yila كما هي، ويوضّح السبب.

### كم مكوّنًا ينبغي أن أحتفظ به؟

يساعدك في ذلك مخطط Scree والتباين التراكمي: ومن القواعد الشائعة نقطة انعطاف المنحنى، أو هدف مثل تفسير 80% من التباين، أو الاحتفاظ بالمكوّنات التي تزيد قيمها الذاتية على 1. ويعرض Yila هذه المؤشرات ويترك لك القرار.

### ماذا تعني إهليلجات الثقة؟

يغطي كل إهليلج المنطقة التي يُتوقع أن تقع فيها 95% من درجات المجموعة، بافتراض توزيع طبيعي ثنائي المتغير. وهي تساعد على إظهار الانفصال بين المجموعات، لكنها ليست اختبارًا إحصائيًا.

### هل يمكنني استخدام PCA لاختبار الفرق بين المجموعات؟

لا. فتحليل PCA وصفي. وإذا ظهر انفصال بين المجموعات وأردت اختبارًا، فاطلب PERMANOVA أو تحليلًا تمييزيًا وسيضيفه Yila.

### R أم Python؟

يمكن استخدام أيٍّ منهما. استُخدمت في المثال Python مع scikit-learn؛ أما في R فيستخدم Yila الدالة prcomp مع ggplot2 أو factoextra.

### من أين جاءت بيانات المثال؟

من مجموعة البيانات المفتوحة Wine (Aeberhard وForina)، المنشورة بترخيص CC BY 4.0 في مستودع UCI لتعلّم الآلة. ولا يستخدم Yila بيانات المستخدمين أمثلةً أبدًا.

---

- [أجرِ تحليل المكوّنات الرئيسية وارسمه كما ينبغي](https://yila.ai/ar/playbooks/pca-plot)
- [llms.txt](https://yila.ai/ar/llms.txt)
