فهم تقليل الأبعاد باستخدام تحليل المكونات الرئيسية (PCA)

تخيّل جدول إكسل يحتوي على مئات الأعمدة: يصعب تصوره، وبطيء المعالجة، وغالباً ما يكون زائداً عن الحاجة. يتيح تقليل الأبعاد، وخاصة تحليل المكونات الرئيسية (PCA)، تبسيط هذه البيانات دون فقدان جوهرها. يرشدك هذا المقال خطوة بخطوة لفهم واستخدام هذه التقنية المهمة في الذكاء الاصطناعي.

لماذا تقليل الأبعاد؟

غالبًا ما تحتوي البيانات الواقعية على العديد من المتغيرات المترابطة. يؤدي كثرة الأبعاد إلى «لعنة الأبعاد»: تصبح النماذج أقل أداءً والتصورات مستحيلة. تحل PCA هذه المشكلة بإنشاء متغيرات اصطناعية جديدة تلتقط أكبر قدر من التباين.

• ضوضاء وتكرار أقل
• إمكانية التصور في بعدين أو ثلاثة
• تسريع خوارزميات التعلم

الأسس الرياضية لـ PCA

تسعى PCA إلى إيجاد الاتجاهات (المكونات الرئيسية) التي تتباين على امتدادها البيانات أكثر. ثم تقوم بإسقاط النقاط على هذه المحاور. رياضياً، يتم حساب المتجهات الذاتية لمصفوفة التباين المشترك. لا حاجة لأن تكون خبيراً في الجبر الخطي: تذكر أن كل مكون هو تركيب خطي من المتغيرات الأصلية، مرتب حسب الأهمية التنازلية.

الخطوات الملموسة للخوارزمية

لتطبيق PCA، اتبع هذه الخطوات البسيطة:

• توحيد البيانات (متوسط 0، تباين 1)
• حساب مصفوفة التباين المشترك
• إيجاد المتجهات الذاتية والقيم الذاتية
• اختيار أول k مكونات (يُختار k وفقاً للتباين المُفسَّر)
• إسقاط البيانات على هذه الأبعاد الجديدة

مثال عملي باستخدام Python

إليك مثالًا بسيطًا باستخدام scikit-learn على مجموعة بيانات Iris:

from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import pandas as pd

iris = load_iris()
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(iris.data)
print(pca.explained_variance_ratio_)

يقلّل هذا الكود القياسات الزهرية الأربعة إلى مكونين رئيسيين مع الاحتفاظ بأكثر من 95٪ من التباين.

المزايا، القيود والممارسات الجيدة

تتميز PCA بسرعتها وخطيتها وقابليتها للتفسير، لكنها تفترض علاقات خطية وتكون حساسة للقيم الشاذة. قم دائمًا بتوحيد بياناتك وفحص « scree plot » لاختيار العدد المناسب من المكونات. أما بالنسبة للبيانات غير الخطية، فاستكشف t-SNE أو UMAP بدلاً من ذلك.

التطبيقات العملية في الذكاء الاصطناعي

ستواجه PCA في ضغط الصور، واكتشاف الشذوذ، وإعداد البيانات لنماذج التصنيف، أو حتى تحليل البيانات الجينومية. وتبقى أداة قوية أولية قبل استخدام تقنيات أكثر تقدماً.

تُعد PCA نقطة دخول ممتازة لإتقان تقليل الأبعاد. ومن خلال ممارستها على مجموعات بياناتك الخاصة، ستكتسب الحدس والكفاءة في مشاريع الذكاء الاصطناعي الخاصة بك. لا تتردد في تجربتها اليوم!