# วิเคราะห์องค์ประกอบหลัก (PCA) และวาดกราฟให้ได้มาตรฐาน

> อัปโหลดตารางค่าที่วัดได้ แล้ว Yila จะแปลงตัวแปรเป็นค่ามาตรฐาน วิเคราะห์องค์ประกอบหลัก และวาด score plot, scree plot กับ biplot ที่อ่านง่าย พร้อมตารางค่าน้ำหนักองค์ประกอบและสคริปต์

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

## สิ่งที่คุณจะได้รับ

- **แผนภาพ score plot** (PNG + SVG): PC1 เทียบกับ PC2 โดยระบุสัดส่วนความแปรปรวนที่อธิบายได้บนแต่ละแกน แยกสีจุดตามกลุ่ม และมีวงรีความเชื่อมั่น 95%
- **แผนภาพ scree plot** (PNG + SVG): ความแปรปรวนที่แต่ละองค์ประกอบอธิบายได้ ทั้งรายองค์ประกอบและแบบสะสม เพื่อใช้อธิบายว่าควรเก็บองค์ประกอบไว้กี่ตัว
- **Biplot และค่าน้ำหนักองค์ประกอบ** (รูป + CSV): ลูกศรแสดงตัวแปรที่มีส่วนต่อองค์ประกอบมากที่สุด พร้อมตารางค่าน้ำหนักองค์ประกอบฉบับเต็มของทุกองค์ประกอบ
- **สคริปต์** (สคริปต์ Python): การวิเคราะห์ทั้งหมดเป็นภาษา Python (หรือ R หากต้องการ) โดยเขียนขั้นตอนเตรียมข้อมูลไว้ครบ

## ขั้นตอนการทำงาน

1. **อัปโหลดตารางและระบุกลุ่ม**: ส่งไฟล์ CSV หรือ Excel ที่มีค่าที่วัดได้ให้ Yila แล้วบอกว่าจะแยกสีตามคอลัมน์ใด กลุ่มใช้สำหรับแยกสีเท่านั้น ไม่ได้ใช้ในการคำนวณ PCA
2. **Yila ตรวจตัวแปรและสเกลก่อน**: Yila ดูหน่วยและช่วงของค่า แปลงตัวแปรที่วัดด้วยสเกลต่างกันเป็นค่ามาตรฐาน และรายงานค่าที่ขาดหายก่อนเริ่ม PCA
3. **รับกราฟทั้ง 3 แบบและค่าน้ำหนักองค์ประกอบ**: Yila สร้างภาพ score plot, scree plot และ biplot ตรวจทาน แล้วบันทึกพร้อมค่าน้ำหนักองค์ประกอบและสคริปต์ หากต้องการดู PC1 เทียบกับ PC3 ติดป้ายชื่อให้แต่ละจุด หรือดูแบบสามมิติ ขอได้ในบทสนทนาเดียวกัน

## เหมาะสำหรับ

- **โอมิกส์และเมแทบอโลมิกส์**: ดูว่าตัวอย่างจับกลุ่มตามสภาวะการทดลองหรือตามแบตช์ ก่อนวิเคราะห์ความแตกต่าง
- **เคมีและวิทยาศาสตร์การอาหาร**: แสดงว่าตัวอย่างแยกจากกันอย่างไรเมื่อพิจารณาคุณสมบัติที่วัดได้หลายอย่างพร้อมกัน และคุณสมบัติใดเป็นตัวขับ
- **ข้อมูลการสำรวจและแบบสอบถาม**: ลดข้อคำถามจำนวนมากที่สัมพันธ์กันให้เหลือองค์ประกอบไม่กี่ตัว และดูว่าข้อคำถามใดมีน้ำหนักอยู่บนองค์ประกอบเดียวกัน

## คำถามที่พบบ่อย

### กราฟ PCA แสดงอะไร

การวิเคราะห์องค์ประกอบหลักเปลี่ยนตัวแปรจำนวนมากที่สัมพันธ์กันให้เป็นองค์ประกอบไม่กี่ตัวที่ไม่สัมพันธ์กัน โดยเรียงตามสัดส่วนความแปรปรวนที่อธิบายได้ ส่วน score plot วางแต่ละตัวอย่างไว้บนองค์ประกอบสองตัวแรก ตัวอย่างที่คล้ายกันโดยรวมจึงอยู่ใกล้กัน

### ควรแปลงตัวแปรเป็นค่ามาตรฐานไหม

ควร หากตัวแปรวัดด้วยหน่วยหรือช่วงค่าที่ต่างกัน มิฉะนั้นตัวแปรที่มีค่าตัวเลขสูงที่สุดจะครอบงำผล ในตัวอย่างนี้ โพรลีนมีค่าหลักร้อย ขณะที่ค่าเฉดสี (hue) อยู่ราว 1 จึงแปลงทั้ง 13 ตัวแปรเป็นค่ามาตรฐาน ส่วนตัวแปรที่ใช้สเกลเดียวกันอยู่แล้ว Yila อาจใช้ค่าเดิมและบอกเหตุผลให้ทราบ

### ควรเก็บองค์ประกอบไว้กี่ตัว

ดูได้จาก scree plot และความแปรปรวนสะสม เกณฑ์ที่ใช้กันทั่วไปคือจุดหักศอกของเส้นกราฟ เป้าหมายอย่างความแปรปรวนสะสม 80% หรือเลือกองค์ประกอบที่มีค่าไอเกน (eigenvalue) มากกว่า 1 Yila รายงานเกณฑ์เหล่านี้ แล้วให้คุณเป็นผู้เลือก

### วงรีความเชื่อมั่นหมายความว่าอะไร

วงรีแต่ละวงครอบคลุมบริเวณที่คาดว่าคะแนน 95% ของกลุ่มนั้นจะตกอยู่ ภายใต้ข้อสมมติว่าข้อมูลมีการแจกแจงปกติสองตัวแปร วงรีช่วยให้เห็นการแยกกลุ่ม แต่ไม่ใช่การทดสอบทางสถิติ

### ใช้ PCA ทดสอบว่ากลุ่มต่างกันได้ไหม

ไม่ได้ PCA เป็นวิธีเชิงพรรณนา หากกลุ่มแยกจากกันและคุณต้องการทดสอบ ให้ขอ PERMANOVA หรือการวิเคราะห์จำแนกประเภท (discriminant analysis) แล้ว Yila จะเพิ่มให้

### ใช้ R หรือ Python

ใช้ได้ทั้งสองภาษา ตัวอย่างนี้ใช้ Python กับ scikit-learn ส่วนใน R นั้น Yila ใช้ prcomp ร่วมกับ ggplot2 หรือ factoextra

### ข้อมูลในตัวอย่างมาจากไหน

มาจากชุดข้อมูลเปิด Wine (Aeberhard และ Forina) ซึ่งเผยแพร่ภายใต้สัญญาอนุญาต CC BY 4.0 บน UCI Machine Learning Repository ทั้งนี้ Yila ไม่เคยนำข้อมูลของผู้ใช้มาใช้เป็นตัวอย่าง

---

- [วิเคราะห์องค์ประกอบหลัก (PCA) และวาดกราฟให้ได้มาตรฐาน](https://yila.ai/th/playbooks/pca-plot)
- [llms.txt](https://yila.ai/th/llms.txt)
