# Faça uma PCA com gráficos bem-feitos

> Envie uma tabela de medidas. A Yila padroniza as variáveis, faz a análise de componentes principais e desenha o gráfico de escores, o scree plot e um biplot legível, com as cargas e o script.

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

## O que você recebe

- **Gráfico de escores** (PNG + SVG): PC1 versus PC2, com a variância explicada em cada eixo, os pontos coloridos por grupo e elipses de confiança de 95%.
- **Scree plot** (PNG + SVG): A variância explicada por componente, individual e acumulada, para você justificar quantos componentes manter.
- **Biplot e cargas** (Figura + CSV): Setas para as variáveis que mais contribuem, além da tabela completa de cargas de todos os componentes.
- **O script** (Script Python): A análise completa em Python (ou em R, se você pedir), com todas as etapas de pré-processamento explícitas.

## Como funciona

1. **Envie a tabela e indique os grupos**: Envie à Yila um arquivo CSV ou Excel com as medidas e diga por qual coluna colorir. Os grupos servem apenas para as cores; não entram no cálculo da PCA.
2. **A Yila confere as variáveis e a escala**: Ela examina as unidades e as faixas de valores, padroniza as variáveis medidas em escalas diferentes e informa os valores ausentes antes de fazer a PCA.
3. **Receba os três gráficos e as cargas**: O gráfico de escores, o scree plot e o biplot são renderizados, conferidos e salvos com as cargas e o script. Peça PC1 versus PC3, rótulos nos pontos ou uma visualização em 3D na mesma conversa.

## Indicado para

- **Dados ômicos e metabolômica**: Veja se as amostras se agrupam por tratamento ou por lote antes da análise diferencial.
- **Química e ciência de alimentos**: Mostre como as amostras se separam com base em muitas propriedades medidas ao mesmo tempo e quais propriedades explicam essa separação.
- **Dados de questionários e levantamentos**: Reduza muitos itens correlacionados a poucos componentes e veja quais itens carregam no mesmo componente.

## Perguntas frequentes

### O que um gráfico de PCA mostra?

A análise de componentes principais transforma muitas variáveis correlacionadas em poucos componentes não correlacionados, ordenados pela quantidade de variância que explicam. O gráfico de escores posiciona cada amostra nos dois primeiros componentes, de modo que amostras semelhantes no geral ficam próximas umas das outras.

### As variáveis devem ser padronizadas?

Sim, quando são medidas em unidades ou faixas diferentes; caso contrário, a variável com os maiores números domina a análise. No exemplo, a prolina chega às centenas e a tonalidade fica em torno de 1, por isso as treze variáveis foram padronizadas. Quando todas estão na mesma escala, a Yila pode deixá-las como estão e explicar por quê.

### Quantos componentes devo manter?

O scree plot e a variância acumulada ajudam: as regras mais comuns são o cotovelo da curva, uma meta como 80% da variância ou os componentes com autovalores maiores que 1. A Yila informa esses critérios e deixa a escolha com você.

### O que as elipses de confiança significam?

Cada elipse cobre a região onde se esperam 95% dos escores de um grupo, sob um pressuposto de normalidade bivariada. Elas ajudam a mostrar a separação; não são um teste estatístico.

### Posso usar a PCA para testar se os grupos diferem?

Não. A PCA é descritiva. Se os grupos se separam e você quer um teste, peça uma PERMANOVA ou uma análise discriminante, e a Yila a inclui.

### R ou Python?

Qualquer um dos dois. O exemplo usou Python com scikit-learn; em R, a Yila usa prcomp com ggplot2 ou factoextra.

### De onde vêm os dados do exemplo?

Do conjunto de dados aberto Wine (Aeberhard e Forina), publicado sob a licença CC BY 4.0 no UCI Machine Learning Repository. A Yila nunca usa dados de usuários como exemplo.

---

- [Faça uma PCA com gráficos bem-feitos](https://yila.ai/pt/playbooks/pca-plot)
- [llms.txt](https://yila.ai/pt/llms.txt)
