تحليل المكونات الرئيسية PCA: كيف نقلّل أبعاد البيانات؟
PCA – Dimensionality Reduction
الجواب المختصر
عندما يكون لدينا عدد كبير من الميزات نستخدم PCA (Principal Component Analysis) لتبسيط البيانات إلى ميزتين أو ثلاث. الفكرة بلا رياضيات: تخيّل البيانات سحابة نقاط في فضاء كبير؛ PCA يجد «أفضل اتجاهات» تُظهر أكبر قدر من اختلاف البيانات ثم يُسقط البيانات عليها لتصبح أقل أبعادًا. النتيجة: تبقى معلومات مهمة وقد تختفي تفاصيل أو ضوضاء أقل أهمية.
الفكرة
- البيانات سحابة نقاط في فضاء كبير.
- يجد PCA أفضل اتجاهات تُظهر أكبر قدر من الاختلاف.
- يسقط البيانات على هذه الاتجاهات فتصبح أقل أبعادًا.
كيف نفهم الرسم؟
كل نقطة عينة بعد تقليل الأبعاد، والألوان (إن استُخدمت الفئات المعروفة) تُظهر كيف توزعت الأنواع بعد الإسقاط. إن ظهرت مجموعات منفصلة فهذا يعني أن البيانات قابلة للتمييز بصريًا بعد PCA.
| الفائدة | الحد |
|---|---|
| تبسيط وفهم ورسم وتسريع بعض النماذج | قد تضيع تفاصيل مهمة إن اقتصرنا على أبعاد قليلة جدًا |
وهو من التعلم بدون إشراف ويُستخدم قبل K-means أحيانًا.
متى نستخدمه؟
- للرسم: تحويل عشر ميزات إلى اثنتين لرسم البيانات.
- للتبسيط: تقليل ميزات كثيرة متداخلة قبل نموذج آخر.
- لتسريع بعض النماذج.
- وفي المقابل: لا تعتمد عليه إن كانت كل ميزة مهمة بذاتها وتحتاج تفسيرها.
وتذكّر أن المكونات الجديدة مزيج من الميزات الأصلية فلا تحمل بالضرورة معنى مباشرًا يسهل شرحه.
المصطلحات: عربي ↔ English
- تقليل الأبعاد
- Dimensionality Reduction
- تحليل المكونات الرئيسية
- Principal Component Analysis (PCA)
- ميزة
- Feature
لماذا يهمّ هذا في BTEC؟
مثال بسيط: عشر خصائص لزهور ورسمها صعب؛ PCA يقللها إلى اثنتين فتشاهد المجموعات بصريًا في رسم واحد.
أسئلة تجيب عنها هذه الصفحة
- ما هو PCA؟
- ما هو تقليل الأبعاد؟
مفاهيم مرتبطة
- التعلم تحت الإشراف وبدون إشراف: الفرق وأمثلةفي التعلم تحت الإشراف تكون لدينا مدخلات X معها الإجابة الصحيحة Y فيتعلم النموذج العلاقة بينهما ثم يتنبأ، وفي التعلم بدون إشراف مدخلات فقط ويكتشف النموذج الأنماط، كتقسيم العملاء إلى مجموعات.
- التجميع بـ K-means: كيف يقسّم النموذج العملاء إلى مجموعات؟K-means خوارزمية تعلم بدون إشراف تجمع النقاط في K مجموعات متشابهة: تضع مراكز أولية، توزع كل نقطة على أقرب مركز، تحدّث المراكز، وتكرر حتى تستقر. والمجموعات الناتجة تجميع بحسب التشابه وليست فئات حقيقية بالضرورة.
عن كاتب الصفحة
مدرّس BTEC IT · الأردن
- نوع المحتوى
- شرح مبني على مادة أحمد دومي — وليس نصًّا رسميًّا من Pearson
- آخر مراجعة
- ملاحظة على المصدر
- تعتمد هذه الصفحة على ملاحظات قصيرة لأحمد دومي عن الموضوع، وأُضيف إليها شرح توضيحي عام ليكتمل الجواب.
- المصدر
- ملاحظات تعلّم الآلة وأدوات الذكاء الاصطناعي (أحمد دومي) — PCA