# Eine PCA durchführen und sauber darstellen

> Laden Sie eine Tabelle mit Messwerten hoch. Yila standardisiert die Variablen, führt die Hauptkomponentenanalyse durch und zeichnet Score-Plot, Scree-Plot und einen gut lesbaren Biplot, samt Ladungen und Skript.

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

## Das erhalten Sie

- **Score-Plot** (PNG + SVG): PC1 gegen PC2 mit der erklärten Varianz an jeder Achse, nach Gruppe eingefärbten Punkten und 95-%-Konfidenzellipsen.
- **Scree-Plot** (PNG + SVG): Die einzeln und kumulativ erklärte Varianz je Komponente, damit Sie begründen können, wie viele Komponenten Sie beibehalten.
- **Biplot und Ladungen** (Abbildung + CSV): Pfeile für die Variablen mit dem größten Beitrag sowie die vollständige Ladungstabelle für alle Komponenten.
- **Das Skript** (Python-Skript): Die vollständige Analyse in Python (oder auf Wunsch in R), mit ausgeschriebener Vorverarbeitung.

## So funktioniert es

1. **Tabelle hochladen und Gruppen nennen**: Geben Sie Yila eine CSV- oder Excel-Datei mit den Messwerten und sagen Sie, nach welcher Spalte eingefärbt werden soll. Die Gruppen dienen nur der Einfärbung, nicht der PCA selbst.
2. **Yila prüft die Variablen und die Skalierung**: Yila sieht sich Einheiten und Wertebereiche an, standardisiert Variablen, die auf unterschiedlichen Skalen gemessen wurden, und meldet fehlende Werte, bevor die PCA läuft.
3. **Die drei Plots und die Ladungen erhalten**: Score-Plot, Scree-Plot und Biplot werden gerendert, geprüft und mit den Ladungen und dem Skript gespeichert. PC1 gegen PC3, beschriftete Punkte oder eine 3D-Ansicht können Sie im selben Gespräch anfordern.

## Geeignet für

- **Omics und Metabolomik**: Sehen Sie vor der differenziellen Analyse, ob sich die Proben nach Behandlung oder nach Batch gruppieren.
- **Chemie und Lebensmittelwissenschaft**: Zeigen Sie, wie sich Proben anhand vieler gemessener Eigenschaften zugleich trennen und welche Eigenschaften die Trennung bewirken.
- **Umfrage- und Fragebogendaten**: Fassen Sie viele korrelierte Items zu wenigen Komponenten zusammen und sehen Sie, welche Items gemeinsam laden.

## Häufige Fragen

### Was zeigt ein PCA-Plot?

Die Hauptkomponentenanalyse überführt viele korrelierte Variablen in wenige unkorrelierte Komponenten, geordnet danach, wie viel Varianz sie erklären. Der Score-Plot verortet jede Probe auf den ersten beiden Komponenten, sodass insgesamt ähnliche Proben nah beieinanderliegen.

### Sollten die Variablen standardisiert werden?

Wenn sie in unterschiedlichen Einheiten oder Wertebereichen gemessen wurden, ja; sonst dominiert die Variable mit den größten Zahlen. Im Beispiel liegt Prolin im Bereich von Hunderten, der Farbton dagegen um 1; deshalb wurden alle dreizehn Variablen standardisiert. Liegen die Variablen auf einer gemeinsamen Skala, lässt Yila sie unter Umständen unverändert und begründet das.

### Wie viele Komponenten sollte ich beibehalten?

Dabei helfen der Scree-Plot und die kumulative Varianz: Gängige Regeln sind der Knick der Kurve, ein Zielwert wie 80 % der Varianz oder Komponenten mit Eigenwerten über 1. Yila berichtet diese Kriterien und überlässt Ihnen die Wahl.

### Was bedeuten die Konfidenzellipsen?

Jede Ellipse umfasst den Bereich, in dem unter Annahme einer bivariaten Normalverteilung 95 % der Scores einer Gruppe zu erwarten sind. Die Ellipsen veranschaulichen die Trennung; ein statistischer Test sind sie nicht.

### Kann ich mit einer PCA testen, ob sich Gruppen unterscheiden?

Nein. Die PCA ist ein deskriptives Verfahren. Wenn sich die Gruppen trennen und Sie einen Test möchten, fordern Sie eine PERMANOVA oder eine Diskriminanzanalyse an; Yila ergänzt sie dann.

### R oder Python?

Beides ist möglich. Das Beispiel verwendet Python mit scikit-learn; in R nutzt Yila prcomp mit ggplot2 oder factoextra.

### Woher stammen die Beispieldaten?

Aus dem offenen Datensatz Wine (Aeberhard und Forina), der unter CC BY 4.0 im UCI Machine Learning Repository veröffentlicht ist. Yila verwendet niemals Daten von Nutzern als Beispiele.

---

- [Eine PCA durchführen und sauber darstellen](https://yila.ai/de/playbooks/pca-plot)
- [llms.txt](https://yila.ai/de/llms.txt)
