# PCA yapın ve grafiklerini doğru biçimde çizin

> Bir ölçüm tablosu yükleyin. Yila değişkenleri standartlaştırır, temel bileşen analizini yapar ve skor grafiğini, yamaç birikinti grafiğini ve okunaklı bir biplot çizer; bileşen yüklerini ve betiği de verir.

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

## Neler alırsınız

- **Skor grafiği** (PNG + SVG): Her eksende açıklanan varyansla birlikte PC1'e karşı PC2; noktalar gruba göre renklendirilir ve %95 güven elipsleri eklenir.
- **Yamaç birikinti grafiği (scree plot)** (PNG + SVG): Her bileşenin tek başına ve birikimli olarak açıkladığı varyans; böylece kaç bileşeni tuttuğunuzu gerekçelendirebilirsiniz.
- **Biplot ve bileşen yükleri** (Şekil + CSV): En çok katkı yapan değişkenler için oklar ve her bileşen için eksiksiz yük tablosu.
- **Betik** (Python betiği): Analizin tamamı Python ile (isterseniz R ile); ön işleme adımları da açıkça yazılmıştır.

## Nasıl çalışır

1. **Tabloyu yükleyin ve grupları belirtin**: Yila'ya ölçümleri içeren bir CSV veya Excel dosyası verin ve renklendirmede hangi sütunun kullanılacağını söyleyin. Gruplar PCA'nın kendisinde değil, yalnızca renklendirmede kullanılır.
2. **Yila değişkenleri ve ölçeklemeyi kontrol eder**: Birimlere ve değer aralıklarına bakar, farklı ölçeklerde ölçülmüş değişkenleri standartlaştırır ve PCA'yı çalıştırmadan önce eksik değerleri raporlar.
3. **Üç grafiği ve bileşen yüklerini alın**: Skor grafiği, yamaç birikinti grafiği ve biplot çizilir, kontrol edilir ve yük tablosu ile betikle birlikte kaydedilir. PC1'e karşı PC3, noktalarda etiketler ya da üç boyutlu bir görünüm isterseniz aynı sohbette söyleyin.

## Kullanım alanları

- **Omik ve metabolomik**: Diferansiyel analizden önce örneklerin deney grubuna mı yoksa batch'e mi göre kümelendiğini görün.
- **Kimya ve gıda bilimi**: Örneklerin ölçülen pek çok özellik üzerinden aynı anda nasıl ayrıştığını ve bunu hangi özelliklerin belirlediğini gösterin.
- **Anket ve ölçek verileri**: Birbiriyle ilişkili çok sayıda maddeyi birkaç bileşene indirin ve hangi maddelerin birlikte yüklendiğini görün.

## Sık sorulan sorular

### PCA grafiği neyi gösterir?

Temel bileşen analizi, birbiriyle ilişkili çok sayıda değişkeni, açıkladıkları varyansa göre sıralanmış ve birbiriyle ilişkisiz birkaç bileşene dönüştürür. Skor grafiği her örneği ilk iki bileşen üzerine yerleştirir; böylece genel olarak birbirine benzeyen örnekler birbirine yakın durur.

### Değişkenler standartlaştırılmalı mı?

Farklı birimlerde ya da farklı aralıklarda ölçülmüşlerse evet; aksi hâlde sayıları en büyük olan değişken sonuca hâkim olur. Örnekte prolin değerleri yüzler mertebesindeyken renk tonu 1 civarında olduğundan on üç değişkenin tamamı standartlaştırıldı. Ortak tek bir ölçekte ölçülen değişkenleri Yila olduğu gibi bırakabilir ve nedenini size söyler.

### Kaç bileşen tutmalıyım?

Yamaç birikinti grafiği ve birikimli varyans yardımcı olur: yaygın ölçütler eğrinin dirsek noktası, açıklanan varyans için %80 gibi bir hedef ya da özdeğeri 1'in üzerinde olan bileşenlerdir. Yila bunları raporlar ve seçimi size bırakır.

### Güven elipsleri ne anlama gelir?

Her elips, iki değişkenli normal dağılım varsayımı altında bir grubun skorlarının %95 kadarının düşmesi beklenen bölgeyi kapsar. Elipsler grupların ayrışmasını göstermeye yardımcı olur; istatistiksel bir test değildir.

### Grupların farklı olup olmadığını PCA ile test edebilir miyim?

Hayır. PCA betimleyici bir yöntemdir. Gruplar ayrışıyorsa ve bir test istiyorsanız PERMANOVA ya da diskriminant analizi isteyin; Yila bunu ekler.

### R mi, Python mı?

İkisi de olur. Örnekte scikit-learn ile Python kullanıldı; R'da Yila, ggplot2 ya da factoextra ile birlikte prcomp kullanır.

### Örnek veriler nereden geliyor?

UCI Machine Learning Repository'de CC BY 4.0 lisansıyla yayımlanan açık Wine veri setinden (Aeberhard ve Forina). Yila kullanıcıların verilerini asla örnek olarak kullanmaz.

---

- [PCA yapın ve grafiklerini doğru biçimde çizin](https://yila.ai/tr/playbooks/pca-plot)
- [llms.txt](https://yila.ai/tr/llms.txt)
