الإحصاء الحيويتحليل البيانات في R

دليل شامل لمجموعة بيانات Iris في لغة R

دليل أكاديمي وتطبيقي شامل لاستكشاف وتحليل ونمذجة مجموعة بيانات زهرة القزحية (Iris Dataset) الكلاسيكية باستخدام لغة البرمجة الإحصائية R.

تاريخ النشر

تُعد مجموعة بيانات زهرة القزحية، المعروفة عالمياً باسم مجموعة بيانات Iris، حجر الزاوية الكلاسيكي ونقطة الانطلاق الجوهرية في علوم الإحصاء، والقياسات الحيوية، واستكشاف البيانات، وتعلّم الآلة. على الرغم من بساطة هيكلها المكون من مائة وخمسين مشاهدة وأربعة متغيرات مورفولوجية تصف ثلاثة أنواع نباتية، إلا أنها تمثل النموذج المعياري الأكثر اختباراً واستخداماً في تاريخ التحليل الإحصائي الحديث. تجسد هذه المجموعة التوازن المثالي بين البساطة الهيكلية والتعقيد التوزيعي، مما يجعلها منصة تجريبية فريدة لاختبار النظريات، وتدريب الخوارزميات، وتطوير الرؤى التحليلية عبر بيئات الحوسبة الإحصائية المختلفة، وعلى رأسها لغة R.

تكمن فرادة هذه البيانات في قدرتها الاستثنائية على تقديم تحديات تصنيفية متنوعة في آن واحد؛ إذ توفر فصلاً خطياً حاسماً وواضحاً لأحد أصنافها، بينما تضع المصنفات والمحللين أمام تداخل بنائي معقد بين الصنفين الآخرين. هذا التباين الطبيعي جعلها بمثابة المعيار الذهبي المعتمد عالمياً لتقييم كفاءة خوارزميات التصنيف الخاضع للإشراف، ونماذج التجميع غير الخاضع للإشراف، وتقنيات تقليل الأبعاد، والاستكشاف البصري متعدد المتغيرات. إن الانتقال من الأطر النظرية المجردة لعلم الإحصاء إلى التطبيق الحسابي الملموس غالباً ما يبدأ بفهم واستيعاب هذه العينة البيولوجية المصغرة.

يقدم هذا الدليل المرجعي الموسوعي دراسة تفصيلية وشاملة لمجموعة بيانات Iris ضمن بيئة لغة R. يستعرض الدليل الأبعاد التاريخية والإحصائية العميقة للبيانات، ويفكك بنيتها المورفولوجية بدقة، كما يتناول بالتفصيل خطوات الفحص الاستكشافي، والتحليل الوصفي المتقدم، وتصور البيانات أحادية وثنائية ومتعددة المتغيرات. بالإضافة إلى ذلك، يتناول الدليل تقنيات المعالجة المسبقة، وخفض الأبعاد، وبناء نماذج التصنيف والتجميع، وتقييم الأداء وفق أعلى المعايير المنهجية والأكاديمية المعتمدة في الأوساط العلمية وهندسة البيانات.

جدول المحتويات

1. مقدمة تاريخية ومفهومية لمجموعة بيانات Iris في لغة R

1.1 أصل مجموعة البيانات ودور رونالد فيشر

تعود الجذور التاريخية لمجموعة بيانات زهرة القزحية إلى عام 1936، عندما جمع عالم النباتات الأمريكي الشهير إدغار أندرسون عينات نباتية دقيقة من شبه جزيرة غاسبيه في مقاطعة كيبك الكندية. كان هدف أندرسون الأساسي دراسة التباين المورفولوجي والتهجين الطبيعي بين الأنواع النباتية المتجاورة في بيئاتها الأصلية. قام أندرسون بقياس خمسين زهرة من ثلاثة أصناف متمايزة تنتمي إلى جنس القزحية، مستخدماً أدوات قياس دقيقة لتوثيق أبعاد السبلات والبتلات، مع التركيز على استقرار القياسات المورفولوجية داخل نفس المستعمرة النباتية لتقليل التباين البيئي الخارجي.

اكتسبت هذه البيانات شهرتها العالمية الخالدة عندما وظفها عالم الإحصاء والجينات البريطاني السير رونالد فيشر في ورقته البحثية التأسيسية المنشورة عام 1936 بعنوان “استخدام القياسات المتعددة في المشكلات التصنيفية” (The Use of Multiple Measurements in Taxonomic Problems) ضمن دورية Annals of Eugenics. استخدم فيشر بيانات أندرسون كحالة تطبيقية لتطوير واختبار تقنية التحليل التمييزي الخطي (Linear Discriminant Analysis)، والتي هدفت إلى إيجاد تركيبة خطية من المتغيرات المستمرة قادرة على الفصل الأمثل بين المجموعات الفئوية المختلفة بناءً على معايير رياضية دقيقة تعظم التباين بين المجموعات وتقلل التباين داخلها.

مثّل هذا العمل نقطة تحول منهجية كبرى في تاريخ القياسات الحيوية والإحصاء الرياضي؛ إذ نقل علم التصنيف النباتي من النطاق الوصفي النوعي القائم على الملاحظات الظاهرية المجردة إلى إطار كمي صارم يستند إلى النمذجة الرياضية متعددة المتغيرات. بفضل المعالجة المبتكرة التي قدمها فيشر، تحولت زهرة القزحية من مجرد موضوع للدراسة النباتية الميدانية إلى أيقونة إحصائية ونموذج مرجعي لا غنى عنه في الأدبيات الإحصائية الكلاسيكية والحديثة على حد سواء.

1.2 أهمية مجموعة البيانات في القياسات الحيوية والتحليل النفسي الإحصائي

تحتل مجموعة بيانات Iris مكانة مركزية في مجال القياسات الحيوية (Biometrics)، حيث أثبتت أن القياسات المورفولوجية الدقيقة للأعضاء النباتية والحيوانية يمكن أن تشكل بصمة رقمية فريدة تتيح التمييز بدقة متناهية بين الكيانات البيولوجية المعقدة. ساهمت هذه البنية في إرساء أسس التحليل الإحصائي البيولوجي القائم على ربط الأنماط الظاهرية (Phenotypes) بالتمايزات التصنيفية، مما مهد الطريق لاحقاً لتطوير أساليب القياس الكمي في علم الوراثة العشائرية والبيولوجيا التطورية المعاصرة.

امتد هذا التأثير المنهجي إلى مجالات علم النفس القياسي والعلوم السلوكية، حيث استلهم علماء القياس النفسي أسلوب فيشر في معالجة مصفوفات التغاير واستخراج العوامل الكامنة التي تفسر التباين بين المجموعات الإنسانية في الاختبارات المعيارية. تمثل البيانات مثالاً تطبيقياً بارزاً على كيفية ترجمة السمات الفئوية النوعية غير المقاسة (مثل الأصناف أو الأنماط السلوكية) عبر مؤشرات كمية مستمرة متداخلة، مما أتاح للباحثين دراسة التباين الطبيعي ومستويات التداخل البيني باستخدام نماذج إحصائية متطورة.

إلى جانب ذلك، غدت البيانات معياراً مرجعياً صارماً لاختبار ومقارنة خوارزميات التصنيف الإحصائي والتعلّم الآلي عبر العقود؛ فعند اقتراح أي مصنف خوارزمي جديد، يُشترط اختباره أولاً على مجموعة Iris للتأكد من قدرته على تحقيق الفصل التام للصنف المستقل، وإدارة منطقة التداخل المعقدة بين الصنفين الآخرين بكفاءة حسابية وتصنيفية متوازنة تضمن تعميم النتائج دون الوقوع في فخ التحيز أو فرط التخصيص.

1.3 دمج البيانات في بيئة R كأداة تعليمية وبحثية قياسية

تتمتع لغة R بخصوصية فريدة تجعلها البيئة البرمجية المثالية للتعامل مع مجموعة بيانات Iris، حيث تأتي المجموعة مدمجة ومحملة مسبقاً داخل الحزمة الأساسية datasets، وهي إحدى المكونات الجوهرية المثبتة افتراضياً مع النظام الأساسي للغة. يعني هذا الدمج الأصيل أن المستخدم لا يحتاج إلى تنزيل ملفات نصية خارجية أو إعداد مسارات استيراد معقدة، بل يكفي كتابة اسم الكائن في واجهة الأوامر التفاعلية ليصبح متاحاً للتحليل والاستكشاف الفوري.

أدى توفر البيانات المسبق في R إلى اعتمادها كأداة تدريسية وتوثيقية معيارية في المجتمع الأكاديمي والبرمجي؛ إذ تعتمد الغالبية العظمى من مبرمجي حزم CRAN ومؤلفي الكتب الإحصائية على مجموعة Iris لشرح وظائف الدوال الجديدة وتوضيح خوارزميات النمذجة البيانية. يوفر هذا الاتساق لغة مشتركة تسمح للباحثين بمقارنة النتائج والوظائف البرمجية بدقة تامة وبأقل قدر من التعقيد الإجرائي المرتبط بإعداد البيانات.

تتجلى القيمة التعليمية للمجموعة في بساطتها وتنوعها المتزامن؛ فهي تحتوي على متغيرات عددية مستمرة ومتغير فئوي رتبي، وتخلو تماماً من القيم المفقودة، وتتضمن أبعاداً معقولة لا ترهق الذاكرة الحسابية، مما يتيح للمتعلم التركيز الكامل على استيعاب المنطق الإحصائي، وآليات كتابة الكود البرمجي، وتوليد الرسوم البيانية الاستكشافية المتقدمة دون الانشغال بمشاكل تنظيف البيانات المنهكة.

2. استكشاف البنية التحتية والخصائص الأساسية للبيانات

2.1 تفكيك المتغيرات المورفولوجية الأربعة

تتألف مجموعة بيانات Iris من أربعة متغيرات فيزيائية مستمرة مقاسة بدقة بوحدة السنتيمتر (cm)، وتتوزع هذه المتغيرات على العضوين الزهريين الأساسيين: السبلات (Sepals) والبتلات (Petals). يُعرف المتغير الأول باسم طول السبلة Sepal.Length، وهو يمثل البعد الطولي للغلاف الزهري الخارجي الذي يحمي برعم الزهرة قبل التفتح. يحمل هذا المتغير أهمية فسيولوجية وبيولوجية كبرى تعكس مقدار الطاقة الحيوية المخصصة لدعم وحماية البنية الداخلية للزهرة.

المتغير الثاني هو عرض السبلة Sepal.Width، والذي يحدد التماثل الهيكلي للزهرة ويوفر الدعم الميكانيكي اللازم للبتلات. يظهر هذا المتغير تبايناً ملحوظاً بين الأصناف المختلفة؛ حيث يتميز صنف سيتوسا بسبلات عريضة للغاية مقارنة ببقية الأصناف، مما يجعله عنصراً فاصلاً في التحليلات ثنائية المتغير عند دمجه مع مقاييس أخرى لتحديد نسب الاستطالة الزهرية.

أما المتغيران الثالث والرابع فهما طول البتلة Petal.Length وعرض البتلة Petal.Width، ويمثلان الأجزاء الملونة الجاذبة للملقحات الطبيعية. تعتبر قياسات البتلات الأداة التمييزية الأكثر حساسية وقوة في المجموعة بأكملها، حيث تتسم البتلات بتباين قياسي هائل بين الأصناف النباتية، مما يمنحها قوة فصل تصنيفية فائقة تمكن المحللين من عزل الأصناف بدقة بالغة بمجرد دراسة توزيع هذين المتغيرين رياضياً ومورفولوجياً.

2.2 تصنيف الأصناف الثلاثة لزهرة القزحية

تتوزع مشاهدات مجموعة البيانات بالتساوي على ثلاثة أصناف نباتية رئيسية تنتمي لجنس القزحية، بواقع خمسين مشاهدة لكل صنف، مما يجعل العينة الإجمالية متوازنة تماماً (Balanced Dataset) بعدد 150 صفاً. الصنف الأول هو Iris setosa، ويتميز بخصائص مظهرية فريدة تتمثل في صغر حجم البتلات وقصرها الشديد، إلى جانب سبلات عريضة وبارزة. تجعل هذه السمات المنعزلة صنف سيتوسا قابلاً للفصل الخطي التام (Linearly Separable) عن الصنفين الآخرين في الفضاء الرياضي متعدد الأبعاد.

الصنف الثاني هو Iris versicolor، والذي يمثل المرحلة الانتقالية الهيكلية في تطور هذا الجنس النباتي؛ إذ يمتلك بتلات وسبلات ذات أبعاد متوسطة تقع في المنطقة الوسطى بين الصنفين الآخرين. يؤدي هذا التموضع المورفولوجي المتوسط إلى حدوث تداخل بنيوي ملموس مع الصنف الثالث في معظم الأبعاد الهندسية، مما يشكل التحدي الإحصائي الأبرز أمام نماذج التصنيف الآلي.

أما الصنف الثالث فهو Iris virginica، ويتميز بنموه الخضري الكبير وامتلاكه أطول وأعرض بتلات وسبلات ضمن المجموعة المدروسة. بالرغم من تفوقه الحجمي، إلا أن حدوده الإحصائية الدنيا تتقاطع وتتداخل جزئياً مع الحدود القصوى لصنف فيرسيكولور، مما يجعل الفصل الدقيق بينهما يتطلب استدعاء خوارزميات غير خطية أو حدود قرار تمييزية معقدة تعتمد على التركيب التفاعلي للمتغيرات الأربعة معاً.

2.3 فحص أنواع البيانات الهيكلية في R

يتم تخزين مجموعة بيانات Iris داخل بيئة R على هيئة إطار بيانات تقليدي من فئة data.frame، وهو الهيكل القياسي الأنسب لتخزين الجداول ثنائية الأبعاد التي تجمع بين متغيرات ذات أنواع بيانات مختلفة. يمكن التحقق من طبيعة هذا الكائن عبر تطبيق الدالة الأساسية class(iris)، والتي تُرجع القيمة المؤكدة لطبيعة الإطار، مما يتيح للمحلل تطبيق كافة عمليات الفهرسة والتصفية والتحويل المعتادة في R.

عند فحص أبعاد الكائن باستخدام دالة الأبعاد dim(iris) أو الدالتين التابعتين nrow(iris) وncol(iris)، يتبين أن المصفوفة تتكون بدقة من 150 صفا تمثل المشاهدات الفردية للزهور، و5 أعمدة تمثل الخصائص المقاسة. تنقسم هذه الأعمدة إلى نوعين رئيسيين من البيانات البرمجية وفق المعايير المعتمدة في بيئة الحوسبة الإحصائية R:

  • متغيرات رقمية مستمرة (Numeric / Double): تشمل الأعمدة الأربعة الأولى (Sepal.Length, Sepal.Width, Petal.Length, Petal.Width)، وتخزن قياسات حقيقية بفاصلة عائمة تسمح بإجراء كافة العمليات الرياضية الجبرية والتفاضلية والإحصائية.
  • متغير فئوي نوعي (Factor): يمثله العمود الخامس (Species)، وهو كائن ذو مستويات تصنيفية محددة مسبقاً (3 Levels: setosa, versicolor, virginica)، مما يسهل عمليات التجميع الإحصائي والتلوين البياني وفقاً للمجموعات النوعية.

3. تحميل وفحص العينات الأولية باستخدام دوال R الأساسية

3.1 استدعاء البيانات واستعراض الرؤوس والذيول

لبدء العمل مع مجموعة البيانات داخل جلسة R التفاعلية، يمكن استدعاء الأمر المباشر data(iris)، والذي يقوم بتحميل إطار البيانات من حزمة البيانات المدمجة إلى مساحة العمل النشطة (Global Environment). على الرغم من أن R تتيح الوصول إلى الكائن تلقائياً بمجرد كتابة اسمه، إلا أن استخدام أمر الاستدعاء الصريح يُعد ممارسة برمجية فضلى لضمان استقرار الشيفرة عند تشغيلها عبر سكربتات مستقلة أو بيئات عمل مؤتمتة.

عقب عملية التحميل، تبدأ الخطوة الاستكشافية الأولى بمعاينة السجلات الأولية عبر تطبيق دالة الرأس head(iris, n = 6)، والتي تعرض المشاهدات الست الأولى من الإطار. تتيح هذه المعاينة التأكد من صحة أسماء الأعمدة، والترتيب المبدئي للمتغيرات، وتنسيق الأرقام العشرية. نلاحظ في الرأس الأولي أن جميع المشاهدات تتبع صنف setosa نظراً لترتيب البيانات الأصلي المبوب وفق تسلسل الجمع الميداني.

بالمقابل، يوفر تطبيق دالة الذيل tail(iris, n = 6) نظرة فاحصة على السجلات الختامية للمصفوفة، والتي تمثل عينات صنف virginica. للتحقق من عدم وجود تحيز موضعي أو الحصول على نظرة استكشافية غير مقيدة بالترتيب الأصلي، يُفضل استخدام دوال المعاينة العشوائية مثل iris[sample(nrow(iris), 5), ] أو استخدام دالة slice_sample() من حزمة dplyr لاستعراض عينات عشوائية تعكس التنوع الكامل للمجتمع الإحصائي في لمحة واحدة.

3.2 التحقق من الهيكل الداخلي وتسميات الأعمدة

يمثل التقرير الهيكلي حجر الزاوية في فهم التركيب الداخلي لكائنات R؛ وتعد دالة الهيكل str(iris) الأداة التحليلية الأساسية لتوليد ملخص تقني شامل يوضح عدد الصفوف، وعدد المتغيرات، وفئة كل عمود، مع عرض عينة سريعة من القيم الرقمية الأولى لكل متغير. يكشف هذا التقرير الفوري بنية العمود النوعي، موضحاً أنه من فئة Factor ويتضمن ثلاثة مستويات نصية مرتبة داخلياً كأرقام صحيحة مغلفة بتسميات فئوية.

لاستخراج والتحقق من أسماء المتغيرات المسجلة في المصفوفة، تُستخدم الدالتان الأساسيتان colnames(iris) وnames(iris)، واللتان تُرجعان متجهاً نصياً يحتوي على مسميات الأعمدة الأربعة بالإضافة إلى عمود الصنف. يُلاحظ في تسميات R الكلاسيكية استخدام النقطة كفاصل بين الكلمات (مثل Sepal.Length)، وهو نمط قياسي يمكن للمحلل التعامل معه مباشرة أو استبداله بالشرطة السفلية عند الحاجة لتوحيد أساليب التسمية البرمجية.

بالإضافة إلى ذلك، يلزم فحص المستويات الفئوية المحددة للمتغير النوعي عبر دالة المستويات levels(iris$Species). تُرجع هذه الدالة قائمة نصية بالأسماء الثلاثة المعتمدة للأصناف: "setosa"، و"versicolor"، و"virginica". يتيح هذا الفحص التأكد من عدم وجود أخطاء إملائية أو فئات فارغة غير مستخدمة قد تؤثر سلباً على مخرجات نماذج التحليل التنبؤي أو تعقد عمليات التعيين اللوني في الرسوم البيانية اللاحقة.

3.3 التأكد من جودة البيانات وخلوها من القيم المفقودة

تُعد خطوة التحقق من جودة البيانات ونظافتها شرطاً أساسياً يسبق أي تحليل إحصائي أو نمذجة رياضية. في بيئة R، يتم فحص وجود القيم المفقودة (Missing Values) باستخدام دالة الفحص المنطقي is.na(iris) مدمجة مع دالة الجمع العام sum(is.na(iris))، والتي تُرجع النتيجة الإجمالية للخلايا الفارغة. تُظهر مجموعة بيانات Iris رقماً صفرياً مؤكداً، مما يعني اكتمال كافة القياسات المورفولوجية لجميع الزهور المائة والخمسين دون أي فقدان للبيانات.

لتعزيز هذا التحقق، يمكن استخدام دالة الحالات المكتملة complete.cases(iris) للتحقق من أن كل صف في الإطار يمتلك سجلاً بيانياً متكاملاً عبر كافة أبعاده. يضمن هذا الفحص الإحصائي عدم وجود تشوهات في الأبعاد أو انقطاعات مجهولة قد تفرض استبعاد بعض المشاهدات أثناء تدريب الخوارزميات الحسابية الحساسة للقيم المفقودة.

كذلك يشمل تقييم الجودة فحص الاتساق الداخلي للمقاييس؛ حيث يُعاد التأكد من أن جميع القيم تقع ضمن النطاقات الفيزيائية المعقولة للأعضاء النباتية، وخلو البيانات من القيم السالبة أو الصفرية المستحيلة بيولوجياً، وغياب الأخطاء الناجمة عن الإدخال اليدوي غير الدقيق. تمنح هذه النظافة البنائية التامة مجموعة Iris موثوقية استثنائية تجعلها نموذجاً آمناً ومثالياً للتعليم وإجراء التجارب المعيارية الدقيقة.

4. التحليل الإحصائي الوصفي وتلخيص المتغيرات

4.1 استخدام دالة summary() ومقاييس النزعة المركزية

تعتبر دالة التلخيص الإحصائي الأساسية summary(iris) المدخل الشامل لاستخلاص المؤشرات الوصفية الأولية لمجموعة البيانات في R. عند تطبيق هذه الدالة على الإطار بالكامل، تقوم R بحساب ملخص مكون من ستة أرقام إحصائية لكل متغير عددي مستمر، يتضمن: القيمة الدنيا (Minimum)، والربيع الأول (1st Quartile)، والوسيط الحسابي (Median)، والمتوسط الحسابي (Mean)، والربيع الثالث (3rd Quartile)، والقيمة القصوى (Maximum)، بالإضافة إلى التردد العددي لكل مستوى في المتغير الفئوي.

يكشف فحص المتوسط الحسابي والوسيط عن الخصائص التوزيعية الأولية للمتغيرات المورفولوجية؛ فعلى سبيل المثال، يبلغ متوسط طول السبلة حوالي 5.84 سم مع وسيط يقارب 5.80 سم، مما يشير إلى تقارب وتماثل نسبي في توزيع هذا المتغير. بالمقابل، يظهر طول البتلة متوسطاً يبلغ 3.76 سم ووسيطاً يقدر بـ 4.35 سم، ويعكس هذا الفارق الواسع بين المتوسط والوسيط وجود انقسام ثنائي ملحوظ في التوزيع الإحصائي ناتج عن التمايز الهيكلي الشديد بين صنف سيتوسا وبقية الأصناف.

توضح الربعيات الإحصائية المدى الذي تتركز فيه نسبة الخمسين بالمائة الوسطى من المشاهدات؛ إذ يتراوح المدى الربيعي لطول السبلة بين 5.10 سم (Q1) و6.40 سم (Q3)، بينما يمتد المدى الربيعي لطول البتلة من 1.60 سم إلى 5.10 سم. هذا الاتساع الكبير في ربيعيات البتلات يعكس قوة التباين الكلي في العينة، مما يوفر للمحلل مؤشراً أولياً على الأهمية التصنيفية الكبرى التي تحتلها قياسات البتلات مقارنة بالسبلات.

4.2 مقاييس التشتت والتوزيع الإحصائي

لقياس درجة انتشار وتشتت البيانات حول مراكزها الحسابية، تُستخدم دوال الانحراف المعياري sd() والتباين الرياضي var() عبر تطبيقها على الأعمدة العددية باستخدام دالة التكرار الحسابي sapply(iris[, 1:4], sd). تكشف هذه الحسابات أن طول البتلة يمتلك أعلى انحراف معياري بين المتغيرات الأربعة (حوالي 1.76 سم)، مما يؤكد اتساع نطاق انتشاره، في حين يمتلك عرض السبلة أدنى انحراف معياري (حوالي 0.43 سم)، مما يدل على تمركزه الشديد وضيق نطاق تباينه الطبيعي.

يُقاس التشتت المركزي غير المعلمي عبر استخراج المدى الربيعي باستخدام دالة IQR()، والذي يمثل الفارق الحسابي الدقيق بين الربيع الثالث والربيع الأول ($IQR = Q_3 – Q_1$). يُعد هذا المقياس مقاوماً بطبيعته للقيم المتطرفة، ويوفر تقييماً متيناً لانتشار الكتلة المركزية للبيانات؛ حيث يبلغ المدى الربيعي لطول البتلة 3.50 سم، وهو ما يتجاوز بكثير المدى الربيعي لعرض السبلة البالغ 0.50 سم فقط.

لدراسة اعتدالية التوزيع الإحصائي وتماثل المنحنيات التكرارية، يتم حساب معاملي الالتواء (Skewness) والتفرطح (Kurtosis) عبر حزم متخصصة مثل e1071 أو moments. يوضح معامل الالتواء لطول البتلة وعرضها انحرافاً ثنائياً يبتعد عن التوزيع الطبيعي المعياري، مما يشير إلى وجود مجموعات فرعية متميزة داخل العينة الكلية، بينما يظهر معامل التفرطح تسطحاً نسبياً يعكس غياب الذرى المركزية الحادة في توزيع القياسات العامة دون فرز فئوي.

4.3 التلخيص الإحصائي المبوب حسب الصنف (Species)

تكتسب المؤشرات الإحصائية قيمتها العلمية الحقيقية عند تجزئتها وتبويبها وفقاً للمتغير النوعي؛ إذ إن دمج الأصناف الثلاثة معاً يخفي الخصائص الفريدة لكل مجتمع نباتي. توفر لغة R الكلاسيكية دالة التجميع aggregate() لتطبيق الدوال الإحصائية على المتغيرات المستمرة مقسمة حسب الفئات، مثل الأمر aggregate(. ~ Species, data = iris, mean)، والذي يحسب بدقة متوسطات المتغيرات الأربعة لكل صنف على حدة.

تتيح الدالتان المتقدمتان tapply() وby() إجراء تحليلات قطاعية تفصيلية ومقارنة مصفوفات التباين والتشتت لكل نوع بشكل مستقل. توضح هذه التحليلات أن متوسط طول البتلة لصنف setosa يبلغ 1.46 سم فقط، بينما يقفز هذا المتوسط إلى 4.26 سم لصنف versicolor، ويصل إلى أعلى مستوياته عند 5.55 سم لصنف virginica، مما يبرز الفجوة القياسية الشاسعة التي تفصل الصنف الأول عن الصنفين الأخيرين.

في بيئة العمل الحديثة، توفر حزمة dplyr مرونة فائقة وقراءة برمجية واضحة عبر استخدام دالتي التجميع والتلخيص group_by(Species) وsummarise(). تمكن هذه الدوال الباحث من استخراج جداول مقارنة شاملة تضم المتوسطات، والانحرافات المعيارية، والوسائط، ونطاقات القيم في خط أنابيب تحليلي واحد يتسم بالأناقة والدقة الرياضية العالية، مما يمهد الطريق لفهم السلوك البنيوي لكل فئة تصنيفية.

5. تصور البيانات أحادية المتغير وتوزيعاتها

5.1 إنشاء المدرجات التكرارية (Histograms)

يمثل الاستكشاف البصري للتوزيعات التكرارية الخطوة الأساسية لفهم شكل البيانات والتحقق من افتراضات الاعتدالية والتماثل. توفر لغة R دالة الرسم الأساسية hist() لإنشاء المدرجات التكرارية للمتغيرات الفردية؛ فعند رسم المدرج التكراري لمتغير Petal.Length، تظهر بوضوح ظاهرة التوزيع ثنائي القمة (Bimodal Distribution)، حيث تتكدس المشاهدات في قمة منخفضة تمثل صنف سيتوسا، تليها فجوة واضحة ثم قمة عريضة تمثل الصنفين الآخرين.

يمكن تخصيص معالم المدرج التكراري عبر التحكم في عدد الفترات التكرارية باستخدام المعامل breaks، وضبط الحدود الرأسية والأفقية، وإضافة خطوط الكثافة التكرارية التقديرية لمطابقة التوزيع الملاحظ مع المنحنى النظري. يتيح ضبط هذه المعلمات للمحلل معاينة الحبيبية الإحصائية بدقة، والتحقق من تركز المشاهدات في نطاقات رقمية محددة تعكس الخصائص البيولوجية للعينة.

للحصول على جودة رسومية فائقة وتنسيق متقدم، يُستخدم نظام الحزمة الرائدة ggplot2 عبر دالة الهندسة التكرارية geom_histogram(). تتيح هذه الحزمة تقسيم المدرج التكراري وتلوينه بحسب الصنف باستخدام المعامل الجمالي fill = Species، وتطبيق التراكب الشفاف عبر ضبط معامل الشفافية alpha، مما يولد لوحة بصرية مبهرة تكشف التداخلات الدقيقة والتوزيعات المستقلة لكل صنف نباتي بوضوح لا لبس فيه.

5.2 مخططات الصندوق والطرفين (Boxplots)

تُعد مخططات الصندوق والطرفين من أقوى الأدوات الاستكشافية لتقييم النزعة المركزية، والانتشار، والكشف عن القيم الشاذة والمتطرفة (Outliers) بيانياً. تتيح دالة R الأساسية boxplot(Petal.Length ~ Species, data = iris) توليد ثلاثة صناديق متجاورة تمثل الأصناف النباتية، مما يمنح مقارنة فورية ومباشرة لمواقع الوسائط، والمدى الربيعي، والامتدادات القصوى والدنيا لكل صنف على حدة.

يكشف التحليل البصري لمخططات الصندوق في مجموعة بيانات Iris عن غياب شبه تام للقيم المتطرفة في معظم المتغيرات، باستثناء عدد ضئيل جداً من المشاهدات في متغير عرض السبلة لصنف versicolor، وصنف virginica. تظهر هذه النقاط المنعزلة خارج أطراف الصندوق المحددة بمعيار $1.5 \times IQR$، مما يشير إلى تباينات فردية طفيفة لا تخل بالاتساق العام للتوزيع المورفولوجي للعينات.

يوفر استخدام دالة geom_boxplot() ضمن حزمة ggplot2 إمكانية دمج عناصر جمالية متقدمة، مثل إضافة النقاط البيانية الفردية باستخدام geom_jitter()، وتغيير لوحات الألوان المعيارية، وإضافة علامات المتوسط الحسابي بجانب الوسيط. يساعد هذا التمثيل البصري المتكامل في تقديم قراءة إحصائية عميقة للمنشورات العلمية والأكاديمية، تسلط الضوء على تباين كل صنف واستقراره البنائي الداخلي.

5.3 تقدير الكثافة اللامعلمي (Density Plots)

يوفر تقدير الكثافة الاحتمالية عبر النواة (Kernel Density Estimation – KDE) بديلاً مستمراً وأكثر سلاسة للمدرجات التكرارية المتقطعة؛ حيث يقوم بتقدير الدالة الاحتمالية المستمرة التي تولدت منها العينة الرقمية. يمكن إنشاء هذه المنحنيات في R الأساسية عبر تركيب دالتي density() وplot()، مما يعكس المساحة التراكمية للتوزيع الاحتمالي لكل بعد مورفولوجي.

عند استخدام geom_density() في ggplot2 مع تعيين شفافية لونية للمتغير النوعي Species، تتولد منحنيات كثافة احتمالية ملونة ومتطابقة توضح بدقة درجات الانفصال والتداخل بين الأصناف. يظهر منحنى كثافة طول البتلة لصنف setosa منعزلاً بالكامل دون أي تقاطع مساحي مع الصنفين الآخرين، مما يترجم رياضياً بوجود مسافة فاصلة تجعل احتمالية الخطأ في تمييزه تقارب الصفر المطلق.

في المقابل، تكشف منحنيات الكثافة لصنفي versicolor وvirginica عن وجود مساحة تقاطع وتداخل مشترك (Overlap Area) في النطاق القياسي الواقع بين 4.5 سم و5.2 سم لطول البتلة. تكتسب هذه المساحة المتداخلة أهمية قصوى في دراسات التصنيف الإحصائي؛ إذ تمثل النطاق الحرج الذي تتولد فيه أخطاء التصنيف لمعظم النماذج التنبؤية، مما يستوجب فحص متغيرات إضافية لحسم الانتماء الفئوي بدقة.

6. تحليل وتصور العلاقات ثنائية المتغير

6.1 مخططات التشتت (Scatter Plots) واستكشاف الاقتران

يمثل استكشاف العلاقات الثنائية بين المتغيرات المورفولوجية ركيزة التحليل متعدد المتغيرات، حيث يتيح فحص الترابط الحركي والبنائي بين الأعضاء النباتية المختلفة. توفر دالة الرسم الأساسية plot(iris$Petal.Length, iris$Petal.Width) مخطط تشتت تقليدي يُظهر على الفور وجود علاقة طردية قوية وموجبة بين طول البتلة وعرضها، مما يشير إلى أن نمو البتلة يتبع نمطاً متناسقاً في البعدين الطولي والعرضي.

عند إضافة المتغير النوعي لترميز النقاط لونياً في دالة الرسم عبر المعامل col = iris$Species وتعديل أشكال النقاط باستخدام pch = 19، يتحول مخطط التشتت إلى أداة تصنيفية بصرية بالغة القوة. يظهر صنف setosa متكتلاً في الركن السفلي الأيسر من المخطط، بينما يتشكل صنف versicolor في المنتصف، ويحتل صنف virginica الركن العلوي الأيمن، مما يكشف عن بنية تجميعية واضحة في الفضاء ثنائي الأبعاد.

يتيح استخدام geom_point() في حزمة ggplot2 تخصيص المخططات بإضافة خطوط الإرشاد الشبكية، والتحكم في تدرج أحجام النقاط، وإضافة وسيلة إيضاح تفصيلية (Legend) تعزز القراءة العلمية للرسم. يبرز هذا التمثيل البصري الثنائي كيف يمكن لمتغيرين فقط من أصل أربعة تقديم مستويات متقدمة من التمايز الهيكلي بين الأصناف البيولوجية المختلفة.

6.2 حساب معاملات الارتباط الخطي (Correlation Matrix)

لقياس شدة واتجاه العلاقات الخطية بين المتغيرات المورفولوجية كمياً، تُطبق دالة الارتباط الإحصائي cor() على الأعمدة الرقمية الأربعة عبر الأمر cor(iris[, 1:4]). ينتج عن هذا الأمر مصفوفة ارتباط متناظرة تحتوي على معاملات بيرسون (Pearson Correlation Coefficients) لجميع الأزواج المتغيرة، حيث تقع القيم في النطاق المغلق بين -1 و +1.

يكشف فحص مصفوفة الارتباط عن وجود ارتباط طردي موجب وقوي للغاية بين طول البتلة وعرض البتلة بقيمة معامل تبلغ $r \approx 0.963$، وهو ما يمثل ارتباطاً شبه خطي. كما يظهر طول السبلة ارتباطاً موجباً ملحوظاً مع طول البتلة ($r \approx 0.872$) ومع عرض البتلة ($r \approx 0.818$). في المقابل، يظهر عرض السبلة ارتباطاً سالباً ضعيفاً مع طول البتلة ($r \approx -0.428$) ومع طول السبلة ($r \approx -0.118$) عند دراسة العينة ككتلة واحدة.

لتصور هذه العلاقات بصرياً بجودة احترافية، تُستخدم حزمة corrplot عبر دالة corrplot(cor(iris[, 1:4]), method = "ellipse"). تقوم هذه الدالة بتوليد مصفوفة بيانية ملونة تستخدم الأشكال البيضاوية وكثافة التظليل اللوني لتمثيل شدة الارتباط واتجاهه، مما يتيح للمحلل الإحصائي استيعاب الشبكة الترابطية بين المتغيرات وتحديد مؤشرات التعددية الخطية المحتملة في لمحة بصرية واحدة وموجزة.

6.3 إضافة خطوط الانحدار والاتجاه العام (Trend Lines)

يساعد تطبيق نماذج الانحدار الخطي في صياغة العلاقات الثنائية ضمن معادلات رياضية تنبؤية تفسر التغير في المتغير التابع بدلالة المتغير المستقل. يمكن بناء نموذج انحدار خطي بسيط في R باستخدام دالة lm()، مثل تقدير عرض البتلة انطلاقاً من طولها عبر الأمر lm(Petal.Width ~ Petal.Length, data = iris)، والذي يُظهر معاملاً انحدارياً موجباً يؤكد النمو التناسبي المستمر للأعضاء الزهرية.

في بيئة ggplot2، تُضاف خطوط الاتجاه العام ومناطق الثقة الإحصائية (Confidence Intervals) بسهولة فائقة عبر دالة geom_smooth(method = "lm", se = TRUE). عند رسم هذه الخطوط مقسمة بحسب الصنف النباتي color = Species، تظهر المفاجأة المنهجية الكبرى المتمثلة في الكشف عن ظاهرة سيمبسون الإحصائية (Simpson’s Paradox) عند دراسة العلاقة بين طول السبلة وعرضها.

تتجلى هذه الظاهرة الإحصائية الشهيرة في كون العلاقة الإجمالية بين طول السبلة وعرضها تبدو سالبة وضعيفة عند تجاهل نوع الصنف ($r = -0.118$)؛ ولكن بمجرد إضافة خطوط الانحدار المستقلة لكل صنف داخل ggplot2، تنقلب العلاقة إلى ارتباط طردي موجب قوي وواضح داخل كل صنف على حدة ($r > 0.5$ لكل نوع). يوضح هذا التباين الحاسم خطورة إغفال المتغيرات الفئوية التجميعية عند بناء النماذج الإحصائية وتفسير العلاقات الظاهرية بين المتغيرات.

7. استكشاف الأنماط متعددة المتغيرات والمصفوفات البيانية

7.1 توليد مصفوفة المخططات المزدوجة (Pairs Plots)

عند التعامل مع بيانات متعددة الأبعاد، يصبح من الضروري فحص كافة العلاقات الثنائية الممكنة بين المتغيرات في وقت واحد ضمن إطار بصري منظم وموحد. توفر دالة R الأساسية pairs(iris[, 1:4], col = iris$Species, pch = 19) مصفوفة مخططات تشتت شبكية تعرض جميع التوليفات الثنائية بين المتغيرات الأربعة مع تلوين المشاهدات بحسب الصنف، مما يقدم لوحة استكشافية متكاملة لتركيب البيانات.

ترتقي حزمة GGally بهذا التمثيل البصري إلى مستويات متقدمة عبر دالتها الشهيرة ggpairs(iris, aes(color = Species)). تقوم هذه الدالة بإنشاء لوحة معلوماتية غنية تجمع بين مخططات الكثافة الفئوية على القطر الرئيسي، ومخططات التشتت الملونة في المثلث السفلي، وقيم معاملات الارتباط المحسوبة لكل صنف في المثلث العلوي، مع استخدام مخططات الصندوق لعرض العلاقات بين المتغيرات العددية والفئوية.

يقدم تحليل مصفوفة ggpairs() فهماً شاملاً للبنية الهندسية لمجموعة بيانات Iris؛ حيث يبرز بوضوح أن أي زوج يتضمن طول البتلة أو عرضها يضمن فصلاً بيانياً عالي الدقة لصنف سيتوسا، ويوفر فصلاً شبه كامل بين صنفين فيرسيكولور وفيرجينيكا. هذه اللوحة المصفوفية تجعل من السهل اتخاذ قرارات حاسمة بشأن اختيار المتغيرات الأكثر تأثيراً في النمذجة التنبؤية اللاحقة.

7.2 المخططات ثلاثية الأبعاد والمحاور المتوازية

يتيح الانتقال إلى التصور البصري ثلاثي الأبعاد استكشاف توزيع المشاهدات في الفضاء الهندسي بصورة أقرب إلى الحقيقة متعددة المتغيرات. توفر حزمة scatterplot3d دالة مخصصة لإنشاء مخططات ثلاثية الأبعاد ثابتة، تمكن الباحث من تعيين ثلاثة متغيرات مورفولوجية (مثل طول السبلة، وعرض السبلة، وطول البتلة) على المحاور الديكارتية الثلاثة (X, Y, Z)، مما يكشف عن الترتيب الحجمي والتكتل الفضائي للأصناف النباتية بدقة عالية.

لتوفير تجربة استكشافية تفاعلية وديناميكية، تُستخدم حزم متقدمة مثل rgl أو plotly لبناء مجسمات ثلاثية الأبعاد قابلة للتدوير والتقريب والتكبير المباشر داخل بيئة RStudio أو متصفحات الويب. تتيح هذه التفاعلية فحص منطقة التماس الفاصلة بين صنفين فيرسيكولور وفيرجينيكا من زوايا رؤية متعددة، مما يسهل رصد المشاهدات الفردية التي تقع على الحدود الفاصلة للكتل العنقودية.

إلى جانب ذلك، يوفر مخطط الإحداثيات المتوازية (Parallel Coordinates Plot)، والمتاح عبر حزمة MASS بدالة parcoord() أو حزمة GGally بدالة ggparcoord()، أسلوباً استكشافياً فريداً لتمثيل جميع الأبعاد الأربعة كأعمدة رأسية متوازية يمر عبرها كل كائن حي كخط متعدد الانكسارات. يظهر هذا المخطط الأنماط السلوكية الشاملة للأنواع؛ حيث تظهر خطوط صنف سيتوسا هبوطاً حاداً عند أبعاد البتلات، بينما تسير خطوط فيرجينيكا في مسارات عليا متناسقة عبر كافة المتغيرات.

7.3 الخرائط الحرارية (Heatmaps) للأنماط المورفولوجية

تُعد الخرائط الحرارية وسيلة بصرية استثنائية لتمثيل مصفوفات البيانات الرقمية من خلال التدرجات اللونية، حيث يعبر كل لون عن شدة أو قيمة القياس في خلية محددة. توفر لغة R الدالة الأساسية heatmap(as.matrix(iris[, 1:4]))، والتي تقوم بتوليد خريطة حرارية مدمجة بتشجير عنقودي هرمي (Dendrogram) على جانبي المصفوفة لترتيب الزهور والمتغيرات المتشابهة تلقائياً بجانب بعضها البعض.

تستخدم حزمة pheatmap المتطورة لإنتاج خرائط حرارية متقدمة وعالية الدقة ومعدة للنشر الأكاديمي عبر دالة pheatmap(). تتيح هذه الحزمة توحيد مقاييس المتغيرات تلقائياً (Standardization)، وإضافة أشرطة توضيحية جانبية مشفرة لونياً تمثل الأصناف الحقيقية للزهور، مع تخصيص لوحات الألوان والخطوط الرسومية بدقة متناهية تعكس الأنماط المورفولوجية الكامنة في البيانات.

يكشف فحص الخريطة الحرارية المنظمة لمجموعة Iris عن تشكل كتلتين رئيستين من المشاهدات؛ تتألف الكتلة الأولى بالكامل من نباتات صنف setosa وتتميز بتدرجات لونية منخفضة للغاية في أعمدة البتلات، بينما تضم الكتلة الثانية الصنفين الآخرين مع تدرجات لونية مرتفعة ومتداخلة، مما يؤكد بصرياً التمايز الهيكلي الحاسم في البنية البيولوجية العامة للأنواع المدروسة.

8. المعالجة المسبقة وتحويل البيانات وتطبيعها

8.1 تقييم الحاجة إلى تحويل المقاييس ومعالجة البيانات

بالرغم من أن المتغيرات الأربعة في مجموعة Iris مقاسة جميعها بنفس الوحدة الفيزيائية (السنتيمتر)، إلا أن نطاقاتها العددية وتفاوتاتها تختلف بشكل ملحوظ؛ إذ يتراوح طول السبلة بين 4.3 و 7.9 سم، بينما يتراوح عرض البتلة بين 0.1 و 2.5 سم. يمكن لهذا التفاوت في المدى الرقمي أن يؤدي إلى هيمنة المتغيرات ذات القيم الأكبر على حسابات المسافات الإقليدية في بعض خوارزميات التعلّم الآلي الحساسة للنطاقات، مما يفرض دراسة تحويل المقاييس بعناية.

في بعض التطبيقات الإحصائية المتقدمة، يُلجأ إلى تطبيق التحويلات الرياضية مثل التحويل اللوغاريتمي log() أو تحويل بوكس-كوكس (Box-Cox Transformation) لتقليل الالتواء التوزيعي وتثبيت التباين، خاصة عند استخدام نماذج تفترض التوزيع الطبيعي المشترك متعدد المتغيرات. تساعد هذه التحويلات في تقريب التوزيعات غير المتماثلة إلى الشكل الطبيعي المعياري وتحسين استجابة النماذج الخطية للمعلمات التقديرية.

علاوة على ذلك، تتضمن المعالجة المسبقة إمكانية هندسة ميزات جديدة (Feature Engineering) مشتقة من المتغيرات الأصلية؛ مثل حساب نسبة طول السبلة إلى عرضها (Sepal.Ratio = Sepal.Length / Sepal.Width) أو نسبة أبعاد البتلة، أو حساب المساحات التقريبية للأعضاء الزهرية. تسهم هذه المتغيرات المشتقة في تقديم أبعاد هندسية جديدة تعزز كفاءة النمذجة الرياضية وتوفر مؤشرات مورفولوجية أكثر قدرة على التمييز التصنيفي.

8.2 توحيد المقاييس والتطبيع (Scaling & Normalization)

يُعد التوحيد القياسي (Standardization / Z-score Normalization) المعالجة التحويلية الأكثر شيوعاً في إعداد البيانات لنماذج التعلّم الآلي؛ وتقوم هذه العملية بتحويل كل متغير بحيث يصبح متوسطه الحسابي صفراً وانحرافه المعياري واحداً صحيحاً وفق المعادلة الرياضية:

$$Z = \frac{X – \mu}{\sigma}$$

تتيح لغة R تنفيذ هذه العملية بمرونة تامة عبر الدالة المدمجة scale(iris[, 1:4])، والتي تنتج مصفوفة رقمية موحدة المقاييس تضمن وزناً متساوياً لجميع الأبعاد المورفولوجية في حسابات التباعد الهندسي والمسافات المشتركة.

في المقابل، تقوم خوارزمية التطبيع الموضعي (Min-Max Normalization) بإعادة ضبط قيم المتغيرات لتنحصر بدقة ضمن نطاق مغلق محدد، غالباً ما يكون بين 0 و 1، باستخدام المعادلة:

$$X_{norm} = \frac{X – X_{\min}}{X_{\max} – X_{\min}}$$

يمكن بناء هذه الدالة الحسابية بسهولة في R وتطبيقها عبر lapply() على المتغيرات المستمرة، وهي معالجة مثالية عند استخدام خوارزميات الشبكات العصبية الاصطناعية أو الخوارزميات التي تعتمد على تحسين دوال التكلفة باستخدام خوارزمية الانحدار التدريجي.

يظهر الأثر الجوهري لتوحيد المقاييس بوضوح عند تطبيق الخوارزميات المعتمدة على المسافات الإقليدية، مثل الجار الأقرب (k-NN) أو التجميع بمتوسطات k (k-Means)؛ إذ إن غياب التوحيد القياسي يجعل متغير طول السبلة صاحب التأثير الأكبر على المسافة المحسوبة، بينما يتيح التوحيد القياسي لكل ميزة تقديم مساهمتها البيولوجية الحقيقية دون تحيز رقمي مصطنع.

8.3 تقسيم البيانات إلى مجموعات تدريب واختبار

لتدريب النماذج التنبؤية وتقييم قدرتها على التعميم على بيانات غير مرئية بدقة وموثوقية علمية، يتوجب تقسيم مصفوفة البيانات إلى مجموعتين منفصلتين: مجموعة التدريب (Training Set) ومجموعة الاختبار (Testing Set). يُشترط قبل إجراء التقسيم العشوائي تثبيت البذرة العشوائية عبر دالة set.seed(123)، لضمان إمكانية تكرار التجربة البرمجية والحصول على نفس النتائج الدقيقة عند إعادة تشغيل السكربت التحليلي مستقبلاً.

توفر حزمة caret أداة معيارية متطورة لتنفيذ هذه المهمة عبر دالة createDataPartition(). تضمن هذه الدالة تطبيق المعاينة الطبقية (Stratified Sampling) استناداً إلى متغير الصنف Species، مما يحافظ على التوزيع النسبي المتساوي للأصناف الثلاثة في كلتا المجموعتين بنسب متطابقة (عادة بنسبة 70% أو 80% للتدريب مقابل 30% أو 20% للاختبار)، كما يوضح السياق البرمجي العام للتطبيقات الإحصائية.

يحمي التقسيم الطبقي النماذج من مخاطر التحيز العشوائي؛ إذ يمنع احتمال تركز صنف معين في عينة التدريب وغيابه عن عينة التحقق، وهو ما يضمن تدريب المصنفات على تمثيلات متكافئة للأصناف النباتية الثلاثة، ويتيح قياس أداء النماذج ومعدلات أخطائها في بيئة اختبار منصفة تماثل التوزيع الحقيقي للمجتمع الإحصائي الأصلي.

9. تقليل الأبعاد والتحليل التمييزي

9.1 تحليل المكونات الرئيسية (Principal Component Analysis – PCA)

يُعد تحليل المكونات الرئيسية (PCA) أحد أشهر تقنيات التعلّم غير الخاضع للإشراف لتقليل الأبعاد والتعامل مع التعددية الخطية؛ حيث يعمل على تحويل المتغيرات الأربعة المرتبطة إلى مجموعة جديدة من المتغيرات غير المرتبطة خطياً تُعرف بالمكونات الرئيسية (Principal Components). تُنفذ هذه العملية في R باستخدام الدالة الأساسية prcomp(iris[, 1:4], scale. = TRUE) مع تفعيل معيار التوحيد القياسي للمتغيرات.

يكشف تقرير التباين المفسر الناتج عن تحليل PCA لمجموعة Iris أن المكون الرئيسي الأول (PC1) يستوعب ويفسر وحده ما يقارب 73.0% من إجمالي التباين الرياضي في البيانات، بينما يفسر المكون الرئيسي الثاني (PC2) حوالي 22.9% من التباين المتبقي. يعني ذلك أن أول مكونين رئيسيين يختزلان معاً ما يزيد عن 95.8% من إجمالي المعلومات المورفولوجية المتاحة في الأبعاد الأربعة الأصلية، مما يسمح بتمثيل البيانات في فضاء ثنائي الأبعاد دون أي فقدان يُذكر للمعلومات الجوهرية.

لتفسير هذه الإسقاطات بيانياً، تُستخدم حزم متخصصة مثل factoextra أو دالة biplot() الأساسية لإنشاء مخطط التشتت الثنائي (Biplot). يوضح هذا المخطط مواقع العينات في فضاء المكونين الأولين مع متجهات الأسهم التي تمثل مساهمة واتجاه كل متغير أصلي؛ حيث يتجه طول وعرض البتلة بقوة على طول محور PC1، مما يفسر الفصل التام لصنف سيتوسا على هذا المحور، بينما يساهم عرض السبلة بشكل رئيسي على محور PC2.

9.2 التحليل التمييزي الخطي (Linear Discriminant Analysis – LDA)

يمثل التحليل التمييزي الخطي (LDA) المقاربة الإحصائية الأصلية التي طورها رونالد فيشر عام 1936 خصيصاً لهذه البيانات، وهو أسلوب خاضع للإشراف يهدف إلى تعظيم التباين بين الفئات وتقليل التباين داخل الفئة الواحدة. يتم تطبيق هذا النموذج الكلاسيكي في R عبر دالة lda() المتاحة ضمن حزمة MASS المرجعية عبر الأمر lda(Species ~ ., data = iris).

ينتج نموذج LDA تابعين تمييزيين خطيين (LD1 و LD2)؛ يفسر التابع التمييزي الأول (LD1) أكثر من 99.1% من القدرة التمييزية الإجمالية للفصل بين الأصناف الثلاثة، مما يجعله المحور الحاسم في اتخاذ قرارات التصنيف. تكشف معاملات التمييز المستخرجة أن أوزان البتلات تحتل التأثير الأكبر في صياغة هذا التابع، مما يبرز دورها المحوري في التمايز التصنيفي بين الأصناف.

عند إسقاط المشاهدات على الفضاء التمييزي ثنائي الأبعاد ورسمها، يحقق نموذج LDA فصلاً بيانياً مذهلاً وتاماً لصنف setosa، مع تباعد كبير وعزل شبه تام بين صنفي versicolor وvirginica يتجاوز بكثير ما يحققه تحليل PCA. يرجع هذا التفوق التمييزي إلى استغلال خوارزمية LDA لتسميات الفئات الحقيقية لتوجيه محاور الإسقاط الهندسي نحو تعظيم الفصل النوعي بين المجموعات البيولوجية.

9.3 مقارنة تقنيات تقليل الأبعاد غير الخطية (t-SNE وUMAP)

على الرغم من النجاح الباهر للتقنيات الخطية مثل PCA و LDA، إلا أن خوارزميات تقليل الأبعاد غير الخطية المعاصرة توفر قدرات متقدمة على كشف الهياكل المتشعبة والأنماط المعقدة في الفضاءات عالية الأبعاد. تُعد خوارزمية t-SNE (t-Distributed Stochastic Neighbor Embedding) خياراً بارزاً يُطبق في R عبر حزمة Rtsne، حيث تعمل على مطابقة التوزيعات الاحتمالية للمسافات المتقاربة بين الفضاءين عالي ومنخفض الأبعاد.

عند تنفيذ Rtsne(as.matrix(unique(iris[, 1:4]))) وضبط معامل الحيرة (Perplexity = 15)، تنجح خوارزمية t-SNE في تكوين عناقيد نقطية متراصة للغاية ومعزولة بوضوح لكل صنف نباتي في الفضاء ثنائي الأبعاد، مما يبرز التمايز الهيكلي الدقيق بين العينات المورفولوجية. ومع ذلك، يعيب هذه الخوارزمية حساسيتها العالية لمعامل الحيرة وصعوبة الحفاظ على المسافات الكلية العالمية بين العناقيد المتباعدة.

بالمقابل، تقدم خوارزمية UMAP (Uniform Manifold Approximation and Projection)، والمتاحة عبر حزمة umap في R، بديلاً أسرع حسابياً وأكثر قدرة على الحفاظ على كل من البنية المحلية والبنية العالمية للبيانات. تولد خوارزمية UMAP خرائط إسقاطية استثنائية لمجموعة Iris تبرز التكتلات الفئوية بوضوح فائق ومسافات بينية مستقرة رياضياً، مما يجعلها أداة مفضلة في استكشاف البيانات البيولوجية والجينية المعاصرة.

10. التصنيف الخاضع للإشراف وبناء النماذج التنبؤية

10.1 نموذج الجار الأقرب (k-Nearest Neighbors – kNN)

يُعد نموذج الجار الأقرب (k-NN) من أبسط خوارزميات التعلّم الخاضع للإشراف وأكثرها فاعلية، حيث يعتمد على مبدأ التصنيف الموضعي غير المعلمي عبر إسناد المشاهدة الجديدة إلى الفئة الأكثر شيوعاً بين أقرب $k$ جيران لها في الفضاء الإقليدي. يتم تطبيق هذا المصنف في R باستخدام حزمة class ودالتها الأساسية knn(train, test, cl, k) بعد إخضاع المتغيرات لعملية التوحيد القياسي.

يتطلب بناء النموذج تحديد القيمة المثلى للمعامل الفائق $k$؛ فاستخدام قيمة صغيرة جداً ($k = 1$) قد يجعل النموذج عرضة لفرط التخصيص والضوضاء، بينما تؤدي القيم الكبيرة جداً إلى طمس الحدود الفاصلة بين الأصناف المتجاورة. يمكن اختبار مصفوفة من قيم $k$ المختلفة (من 1 إلى 20) وحساب معدل الخطأ لكل قيمة لاختيار المعامل الذي يحقق أعلى دقة تصنيفية مستقرة على بيانات الاختبار.

يحقق نموذج k-NN على مجموعة بيانات Iris دقة تنبؤية فائقة تتراوح عادة بين 95% و 98%؛ حيث ينجح النموذج في تصنيف كافة عينات setosa بدقة 100%، بينما تنحصر كافة أخطاء التصنيف الطفيفة في مشاهدة واحدة أو اثنتين من الصنفين المتداخلين (versicolor و virginica) نتيجة تماثل أبعادهما المورفولوجية في المنطقة البينية المشتركة.

10.2 أشجار القرار ونماذج الغابات العشوائية (Random Forest)

توفر أشجار القرار (Decision Trees) نموذجاً تصنيفياً بديهياً يسهل تفسيره منطقياً وبصرياً، حيث تقوم الخوارزمية بتقسيم فضاء الميزات إلى مناطق مستطيلة متجانسة عبر سلسلة من القواعد الشرطية المتتالية. يُدرب هذا النموذج في R عبر حزمة rpart باستخدام الأمر rpart(Species ~ ., data = train_data, method = "class")، ويتم رسم الشجرة بوضوح فائق باستخدام حزمة rpart.plot.

تكشف الشجرة المولدة لمجموعة Iris عن بساطة مذهلة في قواعد التصنيف؛ إذ تضع الشجرة قاعدة الانقسام الأولى عند متغير طول البتلة: إذا كان Petal.Length < 2.45 cm، يتم تصنيف الزهرة فوراً وبدقة تامة كصنف setosa، دون الحاجة لفحص أي متغير آخر. أما في الفرع الآخر، فتعتمد الشجرة على عرض البتلة (Petal.Width) بقيمة عتبية تقارب 1.75 سم للفصل بدقة عالية جداً بين versicolor و virginica.

لتعزيز الاستقرار التنبؤي وتقليل التباين المرتبط بأشجار القرار الفردية، تُستخدم خوارزمية الغابات العشوائية عبر حزمة randomForest ودالتها randomForest(Species ~ ., data = train_data, ntree = 500). تقوم هذه الخوارزمية التجميعية ببناء مئات الأشجار المتنوعة عبر تقنية التجميع مع الإحلال (Bagging) واختيار ميزات عشوائية عند كل انقسام، مما يحقق دقة شبه كاملة ويقدم تقريراً دقيقاً عن الأهمية النسبية للمتغيرات (Variable Importance) يؤكد تصدر قياسات البتلات للمشهد التصنيفي.

10.3 آلات المتجهات الداعمة (Support Vector Machines – SVM)

تعتمد خوارزمية آلات المتجهات الداعمة (SVM) على إيجاد المستوى الفائق (Hyperplane) الأمثل الذي يعظم الهامش الهندسي الفاصل بين الفئات التصنيفية في الفضاء الرياضي. تُطبق هذه النماذج في R عبر حزمة e1071 باستخدام دالة svm(Species ~ ., data = train_data, kernel = "linear") عند بناء المصنفات الخطية، أو تعيين kernel = "radial" لتطبيق نوى دالة الأساس الشعاعي (RBF).

تتيح مقارنة النواة الخطية مع النواة الشعاعية تقييم طبيعة الحدود الفاصلة بين أصناف زهرة القزحية؛ حيث توفر النواة الخطية فصلاً خطياً مستقيماً فائق الكفاءة يناسب صنف سيتوسا والمستويات العامة للمجموعة، بينما تسمح النواة الشعاعية ببناء حدود قرار منحنية وغير خطية تلتف بمرونة حول التداخلات الدقيقة بين صنفين فيرسيكولور وفيرجينيكا في الفضاءات متعددة الأبعاد.

يمكن رسم حدود القرار الفاصلة للنموذج في R عبر دالة plot.svm() عند تثبيت متغيرين وعرض مستويات التصنيف على المتغيرين الآخرين. تبرز هذه الرسوم الهندسية كيف تنجح متجهات الدعم (Support Vectors) المختارة في تثبيت وتأطير الهوامش التمييزية القصوى، مما يجعل مصنف SVM أحد أعلى النماذج دقة ومناعة ضد أخطاء التعميم عند تطبيقه على مجموعة بيانات Iris.

11. التعلم غير الخاضع للإشراف وخوارزميات التجميع

11.1 تجميع الوسائط المتعددة (k-Means Clustering)

تهدف خوارزمية k-Means إلى تقسيم المشاهدات غير المصنفة إلى عدد محدد مسبقاً ($k$) من العناقيد المتجانسة، بحيث يتم تقليل مجموع المربعات داخل كل عنقود (Within-Cluster Sum of Squares) إلى أدنى حد ممكن. تُطبق هذه الخوارزمية في بيئة R عبر الدالة الأساسية kmeans(iris[, 1:4], centers = 3, nstart = 20) مع إقصاء العمود النوعي Species تماماً من حسابات النمذجة لضمان العمل في بيئة غير خاضعة للإشراف.

لتحديد العدد الأمثل للعناقيد استدلالياً دون معرفة مسبقة بالأصناف الحقيقية، تُستخدم طريقة الكوع (Elbow Method) عبر رسم إجمالي التباين الداخلي مقابل أعداد مختلفة من العناقيد، والبحث عن نقطة الانكسار التي يتباطأ عندها معدل الانخفاض. كما يُستخدم مخطط معامل الظل (Silhouette Analysis) عبر حزمة cluster ودالة silhouette() لتقييم مدى تناغم وانتماء كل مشاهدة لعنقودها المخصص مقارنة بالعناقيد المجاورة.

عند مطابقة العناقيد الثلاثة المستخرجة عبر k-Means مع التصنيف البيولوجي الحقيقي للأصناف، يظهر تطابق تام بنسبة 100% لصنف setosa الذي ينعزل في عنقود مستقل تماماً، بينما يظهر تداخل محدود بين عنقودي versicolor و virginica بمعدل عدم تطابق يدور حول 10 إلى 15 مشاهدة. يبرز هذا الاختبار قدرة خوارزميات التجميع الحسابي على إعادة اكتشاف الهياكل التصنيفية الطبيعية للبيانات اعتماداً على الأنماط الرقمية البحتة.

11.2 التجميع الهرمي (Hierarchical Clustering)

يقوم التجميع الهرمي ببناء هيكل شجري متسلسل يربط المشاهدات الفردية تدريجياً استناداً إلى مصفوفات التشابه والمسافة البينية دون الحاجة إلى تحديد عدد العناقيد مسبقاً. تبدأ العملية في R بحساب مصفوفة المسافات الإقليدية بين كافة المشاهدات باستخدام دالة dist(iris[, 1:4], method = "euclidean")، تليها خطوة بناء النموذج الشجري عبر دالة hclust().

تتيح دالة hclust() تطبيق أساليب ربط متعددة لحساب التباعد بين العناقيد، ومن أبرزها طريقة وارد (Ward’s Minimum Variance Method) المحددة بالمعامل method = "ward.D2"، والتي تهدف إلى تقليل التباين التراكمي الداخلي عند دمج أي مجموعتين. ينتج عن هذه الطريقة شجرة عنقودية متوازنة ومتناسقة تعكس درجات التقارب المورفولوجي بين النباتات بشكل دقيق.

يتم تصور هذا الهيكل التجميعي برسم الشجرة البيانية (Dendrogram) عبر دالة plot(hclust_model)، مع إمكانية استخدام دالة cutree(hclust_model, k = 3) لقطع الشجرة عند المستوى الذي يولد ثلاثة عناقيد محددة. تعكس الشجرة الهرمية التفرع التطوري والشكلي للعينة؛ حيث ينفصل الفرع الرئيسي الأول حاملاً نباتات سيتوسا ككتلة منعزلة ومستقلة، بينما يتفرع الجذع الآخر لاحقاً إلى مجموعتي فيرسيكولور وفيرجينيكا.

11.3 التجميع المبني على الكثافة (DBSCAN)

تتميز خوارزمية التجميع المكاني المبني على الكثافة للتطبيقات ذات الضوضاء (DBSCAN) بقدرتها على اكتشاف العناقيد ذات الأشكال الهندسية المعقدة وغير المنتظمة، وعزل النقاط الشاذة والضوضاء دون إجبار كل نقطة على الانتماء لعنقود محدد. تُطبق هذه الخوارزمية في R باستخدام حزمة dbscan ودالتها dbscan(iris[, 1:4], eps = 0.4, minPts = 4).

يعتمد نجاح خوارزمية DBSCAN على الضبط الدقيق لمعاملي نصف القطر المكاني eps والحد الأدنى للنقاط المكونة للعنقود minPts. يمكن تحديد القيمة المثلى للمعامل eps تجريبياً عبر حساب ورسم مسافات أقرب جار باستخدام دالة kNNdistplot() والبحث عن نقطة الركبة (Knee Point) على المنحنى التراكمي للمسافات البيانية.

عند تطبيق DBSCAN على مجموعة Iris، تنجح الخوارزمية في عزل صنف setosa كعنقود كثيف ومستقل بامتياز؛ إلا أنها غالباً ما تدمج معظم عينات صنفي versicolor و virginica في عنقود كبير واحد نظراً لعدم وجود فجوة مكانية منخفضة الكثافة تفصل بينهما، مع تحديد بعض المشاهدات المتطرفة كضوضاء (Noise Points). يقدم هذا السلوك درساً تحليلياً قيماً حول حدود تطبيق خوارزميات الكثافة المكانية على مجموعات البيانات المستمرة والمتداخلة مورفولوجياً.

12. تقييم أداء النماذج، التحقق المتقاطع والممارسات الفضلى

12.1 مصفوفة الارتباك ومقاييس الأداء التشخيصية

يستلزم التقييم العلمي الصارم للمصنفات التنبؤية بناء مصفوفة الارتباك (Confusion Matrix)، والتي تعقد مقارنة جدولية تفصيلية ومتقاطعة بين التسميات الحقيقية للأصناف والتنبؤات الصادرة عن النموذج المدرب. توفر حزمة caret الدالة الشاملة confusionMatrix(predictions, reference)، والتي تولد تقريراً تشخيصياً متكاملاً يتضمن أدق المقاييس الإحصائية المعتمدة عالمياً.

يتصدر تقرير الأداء مقياس الدقة الإجمالية (Overall Accuracy)، والذي يمثل النسبة المئوية للمشاهدات المصنفة بشكل صحيح من إجمالي العينة، بالإضافة إلى فترة الثقة الإحصائية للدقة (95% CI). كما يُحسب مقياس معامل كابا لكوهين (Cohen’s Kappa)، والذي يقيس درجة التوافق بين التصنيف الفعلي والتنبؤي بعد تحييد واستبعاد أثر التوافق الناشئ عن الصدفة العشوائية المحضة، وهو مؤشر حيوي للتأكد من متانة النموذج.

علاوة على ذلك، يفكك التقرير الأداء الفئوي لكل صنف نباتي على حدة عبر استخراج مقاييس الحساسية (Sensitivity / Recall)، والنوعية (Specificity)، والقيمة التنبؤية الموجبة (Precision)، ودرجة إف 1 (F1-Score) التي تمثل المتوسط التوافقي بين الدقة والاستدعاء:

$$F_1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

توضح هذه المؤشرات أن صنف setosa يحقق دائماً درجات كاملة (1.00) عبر كافة المقاييس، بينما تتقارب قيم F1-Score للصنفين الآخرين حول 0.95 إلى 0.97، مما يعكس كفاءة استثنائية ونادرة في معالجة مهام التصنيف متعدد الفئات.

12.2 التحقق المتقاطع (k-Fold Cross-Validation)

لتجنب مخاطر فرط التخصيص (Overfitting) وضمان الحصول على تقديرات غير متحيزة لكفاءة النماذج التنبؤية عند تعميمها، يُعتمد أسلوب التحقق المتقاطع لعشر طيات (10-Fold Cross-Validation). يقوم هذا الأسلوب بتقسيم مجموعة التدريب إلى 10 أجزاء متساوية، حيث يُدرب النموذج على 9 أجزاء ويُختبر على الجزء العاشر المتبقي، وتتكرر هذه العملية 10 مرات بحيث يتاح لكل جزء أن يكون عينة اختبار مرة واحدة.

يتم إعداد وتنفيذ هذه المنهجية الصارمة في بيئة R عبر دالة التحكم trainControl(method = "cv", number = 10) المتاحة ضمن حزمة caret، ثم تمريرها إلى دالة التدريب العامة train(). تتيح هذه البنية البرمجية توحيد ظروف الاختبار ومقارنة نماذج متعددة (مثل k-NN، و Random Forest، و SVM، و LDA) تحت نفس بروتوكول التحقق المتقاطع بدقة متناهية.

تتيح دالة resamples() في caret جمع وتلخيص نتائج الطيات المتعددة للنماذج المختلفة ومقارنة توزيعات الدقة ومعاملات كابا بيانياً وإحصائياً عبر اختبارات t المعلمية. كما تدمج دالة train() آليات ضبط المعلمات الفائقة (Hyperparameter Tuning) تلقائياً عبر البحث الشبكي (Grid Search)، مما يضمن استخراج أعلى كفاءة ممكنة من كل خوارزمية قبل اعتماد النموذج النهائي للنشر والتطبيق الميداني.

12.3 أفضل الممارسات لتصدير النتائج وإعادة الإنتاجية البحثية

تمثل قابلية إعادة الإنتاج العلمي (Reproducibility) والشفافية البرمجية الركيزة الجوهرية للبحث الإحصائي المعاصر. تفرض أفضل الممارسات في R توثيق كافة مراحل المعالجة والتحليل وبناء النماذج ضمن تقارير حوسبة ديناميكية وتفاعلية باستخدام R Markdown أو Quarto، مما يتيح دمج النصوص التفسيرية، وشيفرات الكود البرمجي، والجداول الإحصائية، والرسوم البيانية التوضيحية في مستند تقريري موحد وقابل للتنفيذ المباشر.

لتصدير الجداول الإحصائية ومصفوفات التلخيص والارتباط بجودة احترافية، يُفضل استخدام حزم مخصصة مثل knitr::kable()، أو gt، أو xtable. تمكن هذه الأدوات الباحث من تحويل إطارات البيانات ومخرجات النمذجة المعقدة إلى جداول منسقة بدقة وفق معايير الجمعية الأمريكية لعلم النفس (APA) ومجهزة للتصدير المباشر بصيغ LaTeX للأبحاث الأكاديمية أو HTML و Word للمنشورات والتقارير التنفيذية.

فيما يخص المخرجات البصرية، تتيح دالة ggsave() في حزمة ggplot2 حفظ الرسوم البيانية الاستكشافية ومخططات النماذج بأعلى دقة متجهية (Vector Formats) مثل صيغ PDF و EPS و SVG، أو بصيغة PNG عالية الدقة (300 DPI أو أكثر). يضمن هذا التصدير المعياري بقاء الخطوط والمنحنيات واضحة تماماً دون أي تشوه بصري عند تضمينها في الأوراق البحثية، والكتب المرجعية، والعروض العلمية المحكمة.

خاتمة

تمثل مجموعة بيانات زهرة القزحية (Iris Dataset) شاهداً تاريخياً ونموذجاً تعليمياً ومعيارياً لا يضاهى في تقاطع علوم الإحصاء، والبيولوجيا، وتعلّم الآلة. عبر هذا الدليل الموسوعي الشامل، تبيّن كيف استطاعت هذه العينة البيولوجية المدمجة والمكونة من مائة وخمسين مشاهدة وأربعة متغيرات مورفولوجية أن تقدم بيئة تجريبية ثرية لاختبار وتطبيق كافة المفاهيم التحليلية، بدءاً من الفحص الوصفي الأولي واستكشاف العلاقات والتوزيعات البيانية، مروراً بتقنيات تقليل الأبعاد الخطية وغير الخطية، ووصولاً إلى بناء وتقييم أدق النماذج التنبؤية والتجميعية المتقدمة.

تثبت لغة R جدارتها الفائقة كبيئة الحوسبة الإحصائية الأكثر شمولاً وأناقة في معالجة وتحليل هذه البيانات الكلاسيكية؛ إذ توفر ترسانة برمجية متكاملة تجمع بين القوة الحسابية للدوال الأساسية، والمرونة الرسومية المذهلة لحزمة ggplot2، والتكامل النمذجي الاستثنائي لحزمة caret. يظل استيعاب هذه المجموعة وفهم أبعادها البنائية والإحصائية خطوة تأسيسية لا غنى عنها لكل باحث، وعالم بيانات، وإحصائي يسعى إلى ترسيخ فهمه العميق لمبادئ استكشاف البيانات، وتطوير الخوارزميات، وتفسير النماذج الرياضية في سياقاتها العلمية الرصينة.

المراجع (References)

اقتباس هذا المقال

looti, M. (2026, أغسطس 31). دليل شامل لمجموعة بيانات Iris في لغة R. عرب سايكلوجي. https://arabpsychology.com/statistics/complete-guide-iris-dataset-in-r/
looti, Mohammed. “دليل شامل لمجموعة بيانات Iris في لغة R.” عرب سايكلوجي, 31 أغسطس 2026, https://arabpsychology.com/statistics/complete-guide-iris-dataset-in-r/.
looti, Mohammed. “دليل شامل لمجموعة بيانات Iris في لغة R.” عرب سايكلوجي. أغسطس 31, 2026. https://arabpsychology.com/statistics/complete-guide-iris-dataset-in-r/.