تحليل المكونات الرئيسية
Principal Component Analysis (PCA)
التعريف
يحوّل الخصائص المترابطة إلى محاور جديدة متعامدة (مكونات) مرتبة حسب مقدار التباين الذي تفسره.
الفكرة الأساسية
كثير من الخصائص تحمل معلومات متكررة. PCA يدير المحاور ليحتفظ بأكبر قدر من التباين في عدد أقل من الأبعاد، مما يسهل التصور ويقلل الضوضاء.
آلية العمل
- نطبّع الخصائص (مهم جداً)
- نحسب مصفوفة التغاير
- نستخرج المتجهات الذاتية (المكونات) والقيم الذاتية
- نحتفظ بأول مكونات تفسر نسبة كافية من التباين
- نسقط البيانات عليها
نوع البيانات ونوع المشكلة
| نوع البيانات | جدولية رقمية مطبّعة |
|---|---|
| نوع المشكلة | تقليل الأبعاد والتصور |
المزايا
- يسرّع النماذج ويقلل الضوضاء
- يسمح برسم بيانات كثيرة الأبعاد في بعدين
القيود
- المكونات صعبة التفسير
- خطي فقط
- لا يراعي عمود الهدف
المعاملات المهمة
- عدد المكونات
- نسبة التباين المفسَّر المطلوبة
مقاييس التقييم
- نسبة التباين المفسَّر Explained Variance
- Scree plot
الأدوات التي تدعمها
| Orange | PCA |
|---|---|
| KNIME | PCA |
| WEKA | filters.unsupervised.attribute.PrincipalComponents |
أمثلة تطبيقية
- تصور الأرقام المكتوبة 64 بُعداً في بعدين
- ضغط الخصائص قبل التصنيف
