.. DO NOT EDIT.
.. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY.
.. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE:
.. "auto_examples/decomposition/plot_varimax_fa.py"
.. LINE NUMBERS ARE GIVEN BELOW.

.. only:: html

    .. note::
        :class: sphx-glr-download-link-note

        :ref:`Go to the end <sphx_glr_download_auto_examples_decomposition_plot_varimax_fa.py>`
        to download the full example code. or to run this example in your browser via JupyterLite or Binder

.. rst-class:: sphx-glr-example-title

.. _sphx_glr_auto_examples_decomposition_plot_varimax_fa.py:


==============================================
تحليل العوامل (مع الدوران) لتصور الأنماط
==============================================

عند دراسة مجموعة بيانات Iris، نلاحظ أن طول السبلة وطول البتلة وعرض البتلة مترابطة بشكل كبير. عرض السبلة أقل تكراراً. يمكن لتقنيات تحليل المصفوفات الكشف عن هذه الأنماط الكامنة. لا يؤدي تطبيق الدوران على المكونات الناتجة إلى تحسين القيمة التنبؤية للمساحة الكامنة المستنبطة بشكل جوهري، ولكن يمكن أن يساعد في تصور بنيتها؛ هنا، على سبيل المثال، يجد دوران Varimax، والذي يتم العثور عليه عن طريق تعظيم التباين التربيعي للأوزان، بنية حيث يحمل المكون الثاني فقط بشكل إيجابي على عرض السبلة.

.. GENERATED FROM PYTHON SOURCE LINES 8-18

.. code-block:: Python

    # المؤلفون: مطوري scikit-learn
    # معرف الترخيص: BSD-3-Clause

    import matplotlib.pyplot as plt
    import numpy as np

    from sklearn.datasets import load_iris
    from sklearn.decomposition import PCA, FactorAnalysis
    from sklearn.preprocessing import StandardScaler








.. GENERATED FROM PYTHON SOURCE LINES 19-20

تحميل بيانات Iris

.. GENERATED FROM PYTHON SOURCE LINES 20-24

.. code-block:: Python

    data = load_iris()
    X = StandardScaler().fit_transform(data["data"])
    feature_names = data["feature_names"]








.. GENERATED FROM PYTHON SOURCE LINES 25-26

رسم مصفوفة ارتباط ميزات Iris

.. GENERATED FROM PYTHON SOURCE LINES 26-39

.. code-block:: Python

    ax = plt.axes()

    im = ax.imshow(np.corrcoef(X.T), cmap="RdBu_r", vmin=-1, vmax=1)

    ax.set_xticks([0, 1, 2, 3])
    ax.set_xticklabels(list(feature_names), rotation=90)
    ax.set_yticks([0, 1, 2, 3])
    ax.set_yticklabels(list(feature_names))

    plt.colorbar(im).ax.set_ylabel("$r$", rotation=0)
    ax.set_title("مصفوفة ارتباط ميزات Iris")
    plt.tight_layout()




.. image-sg:: /auto_examples/decomposition/images/sphx_glr_plot_varimax_fa_001.png
   :alt: مصفوفة ارتباط ميزات Iris
   :srcset: /auto_examples/decomposition/images/sphx_glr_plot_varimax_fa_001.png
   :class: sphx-glr-single-img





.. GENERATED FROM PYTHON SOURCE LINES 40-41

تشغيل تحليل العوامل مع دوران Varimax

.. GENERATED FROM PYTHON SOURCE LINES 41-67

.. code-block:: Python

    n_comps = 2

    methods = [
        ("PCA", PCA()),
        ("Unrotated FA", FactorAnalysis()),
        ("Varimax FA", FactorAnalysis(rotation="varimax")),
    ]
    fig, axes = plt.subplots(ncols=len(methods), figsize=(10, 8), sharey=True)

    for ax, (method, fa) in zip(axes, methods):
        fa.set_params(n_components=n_comps)
        fa.fit(X)

        components = fa.components_.T
        print("\n\n %s :\n" % method)
        print(components)

        vmax = np.abs(components).max()
        ax.imshow(components, cmap="RdBu_r", vmax=vmax, vmin=-vmax)
        ax.set_yticks(np.arange(len(feature_names)))
        ax.set_yticklabels(feature_names)
        ax.set_title(str(method))
        ax.set_xticks([0, 1])
        ax.set_xticklabels(["Comp. 1", "Comp. 2"])
    fig.suptitle("Factors")
    plt.tight_layout()
    plt.show()


.. image-sg:: /auto_examples/decomposition/images/sphx_glr_plot_varimax_fa_002.png
   :alt: Factors, PCA, Unrotated FA, Varimax FA
   :srcset: /auto_examples/decomposition/images/sphx_glr_plot_varimax_fa_002.png
   :class: sphx-glr-single-img


.. rst-class:: sphx-glr-script-out

 .. code-block:: none



     PCA :

    [[ 0.52106591  0.37741762]
     [-0.26934744  0.92329566]
     [ 0.5804131   0.02449161]
     [ 0.56485654  0.06694199]]


     Unrotated FA :

    [[ 0.88096009 -0.4472869 ]
     [-0.41691605 -0.55390036]
     [ 0.99918858  0.01915283]
     [ 0.96228895  0.05840206]]


     Varimax FA :

    [[ 0.98633022 -0.05752333]
     [-0.16052385 -0.67443065]
     [ 0.90809432  0.41726413]
     [ 0.85857475  0.43847489]]





.. rst-class:: sphx-glr-timing

   **Total running time of the script:** (0 minutes 0.560 seconds)


.. _sphx_glr_download_auto_examples_decomposition_plot_varimax_fa.py:

.. only:: html

  .. container:: sphx-glr-footer sphx-glr-footer-example

    .. container:: binder-badge

      .. image:: images/binder_badge_logo.svg
        :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/decomposition/plot_varimax_fa.ipynb
        :alt: Launch binder
        :width: 150 px

    .. container:: lite-badge

      .. image:: images/jupyterlite_badge_logo.svg
        :target: ../../lite/lab/index.html?path=auto_examples/decomposition/plot_varimax_fa.ipynb
        :alt: Launch JupyterLite
        :width: 150 px

    .. container:: sphx-glr-download sphx-glr-download-jupyter

      :download:`Download Jupyter notebook: plot_varimax_fa.ipynb <plot_varimax_fa.ipynb>`

    .. container:: sphx-glr-download sphx-glr-download-python

      :download:`Download Python source code: plot_varimax_fa.py <plot_varimax_fa.py>`

    .. container:: sphx-glr-download sphx-glr-download-zip

      :download:`Download zipped: plot_varimax_fa.zip <plot_varimax_fa.zip>`


.. include:: plot_varimax_fa.recommendations


.. only:: html

 .. rst-class:: sphx-glr-signature

    `Gallery generated by Sphinx-Gallery <https://sphinx-gallery.github.io>`_