التباين المفسر في PCA

خطوات الاستخدام

أدخل قيم eigenvalues لجميع المكونات الرئيسية الناتجة من تحليل PCA. هذه القيم تمثل مقدار التباين الذي تشرحه كل مكونة رئيسية. يجب إدخالها كقائمة مفصولة بفواصل، مثل: 3.2, 1.8, 0.9, 0.1. كلما كانت القيمة أكبر، زادت أهمية المكونة في تفسير بياناتك الأصلية.

حدد عدد المكونات الرئيسية التي تريد حساب التباين المفسر لها. هذا الرقم (numComponents) يجب أن يكون أقل من أو يساوي عدد eigenvalues المدخلة. على سبيل المثال، إذا كان لديك 4 قيم eigenvalues واخترت numComponents=2، فسيتم حساب التباين المفسر بواسطة أول مكونتين.

احسب مجموع كل eigenvalues (المجموع الكلي للتباين). هذا يمثل التباين الكلي في البيانات الأصلية. رياضياً: total_variance = sum(eigenvalues). مثلاً إذا كانت eigenvalues [3.2, 1.8, 0.9, 0.1] فإن total_variance = 3.2 + 1.8 + 0.9 + 0.1 = 6.0.

الأسئلة الشائعة

تحليل المكونات الرئيسية (PCA) هو أسلوب إحصائي يستخدم لتقليل أبعاد البيانات مع الاحتفاظ بأكبر قدر ممكن من التباين. يعمل PCA عن طريق تحويل المتغيرات الأصلية (التي قد تكون مترابطة) إلى مجموعة جديدة من المتغيرات غير المترابطة تسمى المكونات الرئيسية. هذه المكونات مرتبة بحيث يشرح المكون الأول أكبر قدر من التباين، يليه الثاني، وهكذا. يُستخدم PCA في مجالات عديدة مثل معالجة الصور (ضغط الصور)، علم الجينوم (تحليل بيانات التعبير الجيني)، المالية (تحليل المحفظة)، والتعلم الآلي (تقليل الأبعاد قبل تطبيق النماذج). الفائدة الأساسية هي تقليل التعقيد الحسابي، التخلص من الضوضاء، وتصور البيانات عالية الأبعاد في 2D أو 3D. على سبيل المثال، يمكن تقليل مجموعة بيانات تحتوي على 100 متغير إلى 10 مكونات رئيسية تشرح 90% من التباين، مما يسهل التحليل والتصور دون فقدان كبير للمعلومات.

التباين المفسر لكل مكون رئيسي هو نسبة التباين الكلي في البيانات الأصلية الذي يشرحه ذلك المكون. يُحسب بقسمة eigenvalue الخاص بالمكون على مجموع كل eigenvalues، ثم ضرب الناتج في 100 للحصول على النسبة المئوية. على سبيل المثال، إذا كان eigenvalue الأول 4 من مجموع 10، فهذا يعني أن المكون الأول يشرح 40% من التباين. الدلالة: كلما زادت النسبة، زادت أهمية المكون. غالباً ما ننظر إلى التباين المفسر التراكمي (cumulative explained variance) لتحديد عدد المكونات التي نحتفظ بها. نختار عادةً عدداً من المكونات يشرح 80-95% من التباين الكلي. في الممارسة العملية، يتم رسم منحنى التباين المفسر (scree plot) لتصور قيمة كل eigenvalue، ويتم اختيار نقطة الانحناء (elbow) كحد لعدد المكونات. هذا يساعد في تجنب overfitting (حفظ الكثير من الضوضاء) أو underfitting (فقدان معلومات مهمة).

في PCA القياسي، تكون eigenvalues دائماً غير سالبة لأنها تمثل التباين على طول المكونات الرئيسية، والتباين لا يمكن أن يكون سالباً. لكن في بعض الحالات، مثل عندما تكون مصفوفة التغاير غير محددة موجبة (إذا كانت البيانات تحتوي على قيم مفقودة أو تم استخدام تحليل عامل خطأ)، قد تظهر eigenvalues سالبة. في مثل هذه الحالات، لا يمكن حساب التباين المفسر بالطريقة العادية. إذا واجهت eigenvalues سالبة، فهذا يشير إلى خطأ في الحسابات أو في البيانات. الحل هو التأكد من أن مصفوفة التغاير محددة موجبة، أو استخدام تقنيات أخرى مثل PCA متسامح (robust PCA). عملياً، إذا ظهرت قيمة سالبة، يمكن تجاهلها أو تعويضها بصفر عند حساب المجموع الكلي، لكن هذا يقلل من دقة النتائج. من الأفضل معالجة مصدر المشكلة بدلاً من ذلك.

لا توجد قاعدة صارمة لاختيار العدد الأمثل، لكن هناك معايير شائعة: 1) قاعدة كايزر (Kaiser criterion): احتفظ بالمكونات التي لها eigenvalue > 1. هذا يعتمد على أن المكون ذو eigenvalue أقل من 1 يشرح تبايناً أقل من متغير واحد معياري. 2) التباين المفسر التراكمي: اختر عدداً من المكونات يشرح على الأقل 80% (أو 90% أو 95% حسب المجال). 3) اختبار الحصى (Scree test): ارسم eigenvalues مقابل رقم المكون، وابحث عن نقطة الانحناء حيث يبدأ المنحنى في التسطح. 4) التحقق المتقاطع: استخدم تقنيات مثل cross-validation لتقييم أداء النموذج بعد تقليل الأبعاد. 5) الأهمية التطبيقية: في بعض المجالات مثل علم النفس، قد يكون التفسير أسهل مع عدد أقل من المكونات حتى لو ضاع بعض التباين. يُنصح بتجربة عدة قيم وتحليل السياق. هذه الحاسبة تساعدك في تقييم التباين المفسر لكل عدد من المكونات، مما يوفر دليلاً كمياً لاتخاذ القرار.

التباين المفسر في PCA

أدخل القيم

خطوات الاستخدام

أمثلة محلولة

أمثلة محسوبة

الأسئلة الشائعة

أدخل القيم

خطوات الاستخدام

1لديك مجموعة بيانات تم تحليلها باستخدام PCA، ونتج عنها eigenvalues: [3.2, 1.8, 0.9, 0.1]. ما هي نسبة التباين المفسر بواسطة أول مكونتين رئيسيتين؟

2في مجموعة بيانات أخرى، كانت eigenvalues: [10, 5, 3, 2, 1]. إذا اخترت المكونات الثلاث الأولى، ما نسبة التباين المفسر؟

أمثلة محسوبة

الأسئلة الشائعة