# 做主成分分析，把圖畫得正確又清楚

> 上傳測量資料表，Yila 會將變數標準化、執行主成分分析，畫出分數圖（score plot）、陡坡圖（scree plot）與清晰易讀的雙標圖（biplot），並附上負荷量表與程式碼。

URL: https://yila.ai/zh-TW/playbooks/pca-plot

## 你會得到

- **分數圖** (PNG + SVG): PC1 對 PC2，兩軸標出各自解釋的變異量，樣本點依組別著色，並附 95% 信賴橢圓。
- **陡坡圖** (PNG + SVG): 每個主成分各自與累積解釋的變異量，方便你說明為什麼保留這幾個主成分。
- **雙標圖與負荷量** (圖 + CSV): 以箭頭標出貢獻最大的變數，另附所有主成分的完整負荷量表。
- **分析程式碼** (Python 程式碼): 完整的 Python 分析程式碼（需要的話也可以是 R），前處理步驟都清楚寫出。

## 運作方式

1. **上傳資料表，說明分組**: 給 Yila 一個含測量值的 CSV 或 Excel 檔，並說明要依哪一欄著色。分組只用於著色，不參與 PCA 本身的計算。
2. **Yila 檢查變數與尺度**: 它會先看各變數的單位與數值範圍，將尺度不同的變數標準化，並在執行 PCA 之前回報遺漏值。
3. **取得三張圖和負荷量**: 分數圖、陡坡圖和雙標圖畫好並檢查後，會與負荷量表和程式碼一起儲存。想看 PC1 對 PC3、為樣本點加上標籤，或改成 3D 圖，在同一個對話裡提出即可。

## 適用情境

- **體學與代謝體學研究**: 在做差異分析之前，先看樣本是依處理方式還是依批次聚在一起。
- **化學與食品科學**: 同時根據多項測量性質，呈現樣本如何區分開來，以及是哪些性質造成這種區分。
- **調查與問卷資料**: 把許多彼此相關的題項濃縮成少數幾個成分，看出哪些題項歸在同一個成分。

## 常見問題

### PCA 圖呈現的是什麼？

主成分分析把許多彼此相關的變數，轉換成少數幾個互不相關的主成分，並依解釋變異量的多寡排序。分數圖把每個樣本放在前兩個主成分上，因此整體相似的樣本會靠在一起。

### 變數需要標準化嗎？

如果各變數的單位或數值範圍不同，就需要；否則數值最大的變數會主導結果。範例中脯胺酸的數值以百計，色調則在 1 左右，所以 13 個變數全都做了標準化。若所有變數都在同一個尺度上，Yila 可能維持原樣，並說明理由。

### 該保留幾個主成分？

可以參考陡坡圖與累積變異量。常見的準則有曲線的轉折點、達到某個目標（例如 80% 的變異量），或只保留特徵值大於 1 的主成分。Yila 會列出這些結果，由你決定。

### 信賴橢圓代表什麼？

在雙變量常態分布的假設下，每個橢圓涵蓋該組 95% 的分數預期會落入的區域。它有助於呈現各組是否分開，但不是統計檢定。

### 可以用 PCA 檢定組間差異嗎？

不行。PCA 是描述性的方法。如果各組看起來分得開、你又想做檢定，可以要求加做 PERMANOVA 或區別分析，Yila 會補上。

### 用 R 還是 Python？

兩者皆可。範例使用 Python 的 scikit-learn；用 R 時，Yila 會使用 prcomp 搭配 ggplot2 或 factoextra。

### 範例資料從哪裡來？

來自公開的 Wine 資料集（Aeberhard 與 Forina），以 CC BY 4.0 授權發布於 UCI Machine Learning Repository。Yila 從不拿使用者的資料當作範例。

---

- [做主成分分析，把圖畫得正確又清楚](https://yila.ai/zh-TW/playbooks/pca-plot)
- [llms.txt](https://yila.ai/zh-TW/llms.txt)
