📊 statistics

The bixplot: A variation on the boxplot suited for bimodal data

تقدم هذه الورقة الـ "bixplot"، وهي أداة تصور جديدة توسع المخطط الصندوقي التقليدي (boxplot) من خلال دمج طريقة تجميع أحادية المتغير للكشف بفعالية عن البنى ثنائية أو متعددة الأنماط وعرضها، مما يسهل تحديد المجموعات الفرعية ذات المعنى والنقاط المعزولة في مجموعات البيانات أحادية المتغير.

المؤلفون الأصليون: Camille M. Montalcini, Peter J. Rousseeuw

نُشر 2026-05-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC0 1.0

المؤلفون الأصليون: Camille M. Montalcini, Peter J. Rousseeuw

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق يحاول فهم حشد من الناس. تريد أن تعرف: هل هم جميعاً مجرد مجموعة واحدة مختلطة؟ أم أن هناك مجموعات فرعية متميزة تختبئ في وضح النهار؟

لعقود من الزمن، استخدم الإحصائيون أداة تسمى الرسم الصندوقي (boxplot) لإلقاء نظرة سريعة على البيانات. فكر في الرسم الصندوقي كبطاقة ملخص بسيطة؛ فهو يخبرك بـ "منتصف" الحشد، ومدى تشتتهم، وما إذا كان هناك أي قيم متطرفة غريبة (أشخاص يقفون بعيداً عن المجموعة). إنها أداة رائعة، لكن لديها نقطة عمياء: فهي تفترض أن الجميع ينتمون إلى مجموعة واحدة سلسة. الأمر يشبه النظر إلى حشد ورؤية كتلة واحدة كبيرة فقط، حتى لو كان هناك في الواقع مجموعتان متميزتان تقفان ظهراً لظهر.

تقدم هذه الورقة أداة جديدة تسمى الرسم البيكسي (bixplot) (وهو مزيج ذكي بين "boxplot" و"mix"). لقد صُممت خصيصاً لاكتشاف تلك المجموعات الفرعية الخفية، خاصة عندما تحتوي البيانات على "قمّتين" أو أكثر (تعدد الأنماط).

إليك كيف يعمل الـ bixplot، باستخدام تشبيهات بسيطة:

1. "اختبار الشم" (التحقق من وجود مجموعة واحدة أو مجموعات متعددة)

قبل رسم أي شيء، يقوم الـ bixplot بعمل "شم" عميق للبيانات باستخدام اختبار إحصائي يسمى اختبار هارتيغان للغوص (Hartigan's dip test).

إذا كانت رائحة البيانات تشبه مجموعة واحدة: فإنه يرسم صورة تبدو قياسية تجمع أفضل أجزاء الأدوات القديمة: صندوقاً (للملخص)، ومنحنى سلساً (مثل شكل الكمان لإظهار الكثافة)، و"سجادة" (خطوط صغيرة في الأسفل توضح كل نقطة بيانات منفردة).
إذا كانت رائحة البيانات تشبه خليطاً: فإنه يدرك أن هناك خطباً ما. يدرك أن الحشد ليس متجانساً.

2. "المصنف الذكي" (التجميع/Clustering)

إذا كانت البيانات عبارة عن خليط، فإن الـ bixplot لا يخمن فحسب؛ بل يستخدم خوارزمية تجميع خاصة لفرز البيانات إلى أكوام منفصلة ومرتبة.

قاعدة "لا تداخل": تخيل أنك تصنف كرات رخامية في جِرار. المصنف العادي قد يضع كرة حمراء داخل جرة من الكرات الزرقاء لمجرد أنها قريبة. أما مصنف الـ bixplot فهو أكثر صرامة: فهو يضمن عدم وجود كرة "داخل" منطقة نفوذ جرة أخرى. يجب أن تكون المجموعات عبارة عن كتل متميزة ومتجاورة.
قاعدة "الحد الأدنى للحجم": كما أنه يرفض إنشاء جِرار صغيرة ومنعزلة. إذا كانت المجموعة صغيرة جداً (مثل نقطة أو نقطتين فقط)، يتم دمجها مجدداً. هذا يمنع الأداة من رؤية "مجموعات شبحية" ليست سوى ضوضاء عشوائية.

3. الصورة النهائية

بمجرد فرز البيانات، يرسم الـ bixplot نوعاً جديداً من الخرائط:

أجساد منفصلة: بدلاً من شكل واحد كبير، سترى "أجساداً" منفصلة لكل مجموعة، غالباً بألوان مختلفة.
منحنيات الكثافة: يوضح عرض هذه الأجساد مدى ازدحام تلك المجموعة.
السجادة (Rug): في الأسفل، ترى خطوطاً صغيرة لكل نقطة بيانات. هذا أمر بالغ الأهمية لأنه يسمح لك برؤية أين تقع النقاط بالضبط، بما في ذلك أي نقاط معزولة قد تكون مختبئة بين المجموعات.
الترميز اللوني: يمكنك أيضاً تلوين هذه الخطوط الصغيرة بناءً على معلومات أخرى (مثل جنس البطريق أو نوع الزهرة)، مما يساعدك على رؤية كيف ترتبط المتغيرات المختلفة بالمجموعات.

أمثلة من الواقع من الورقة البحثية

اختبر المؤلفون هذه الأداة على بيانات حقيقية لإظهار كيف تجد الأشياء التي تغفل عنها الأدوات الأخرى:

الأسماك: نظروا في المدة التي تنتظرها الأسماك قبل الاستكشاف. أشارت الأدوات القديمة إلى وجود مجموعتين، لكن الـ bixplot أظهر بوضوح "أساليب انتظار" متميزة.
البطاريق: قاسوا أطوال مناقير البطاريق من جزر مختلفة. في جزيرة معينة، كشف الـ bभixplot أن البطاريق لم تكن مجرد مجموعة واحدة، بل كانت هناك في الواقع مجموعتان متميزتان في الحجم (ربما ذكور وإناث)، وهو ما دمجته مخططات الـ boxplot القديمة معاً.
الزهور (Iris): عند النظر في عرض البتلات، اقترح الـ bixplot أنه قد تكون هناك ثلاث مجموعات متميزة، مما ساعد في فصل أنواع الزهور بشكل أكثر وضوحاً من ذي قبل.

لماذا يهم هذا؟

يؤكد المؤلفون أن الـ bixplot هو أداة استكشافية، وليس حكماً نهائياً. إنه يشبه الكشاف في غرفة مظلمة. فهو يساعدك على رؤية أنه قد يكون هناك ثلاث مجموعات متميزة من الأثاث في الغرفة، لكنه لا يثبت لماذا هي هناك أو ما إذا كانت بالتأكيد فئات منفصلة في العالم الحقيقي. هو فقط يقول: "مهلاً، انظر هنا، يبدو أن البيانات تحتوي على قمتين أو ثلاث قمم، فلنتقصَّ الأمر أكثر".

الخلاصة

الـ bixplot هو نسخة أكثر ذكاءً ومرونة من الرسم الصندوقي الكلاسيكي. فهو يجمع بين قوة التلخيص في الصندوق، وشكل مخطط الكمان، وتفاصيل مخطط السجادة. تكمن قوته الخارقة في قدرته على اكتشاف متى تكون البيانات عبارة عن "خليط" من مجموعات مختلفة وفصلها بصرياً، حتى لا تفوتك القصص الخفية في بياناتك.

لقد أتاح المؤلفون هذه الأداة مجاناً بكل من لغتي Python و R، لذا يمكن لأي شخص البدء في استخدامها لـ "فك اختلاط" بياناته.

ملخص تقني: الـ Bixplot

بيان المشكلة
يحدد المؤلفون قصوراً كبيراً في المخطط الصندوقي القياسي (boxplot)، وهو حجر الزاوية في تحليل البيانات الاستكشافي (EDA) الذي قدمه توكي (1977). فبينما يعد المخطط الصندوقي فعالاً للتوزيعات أحادية المنوال، إلا أنه يفترض ضمنياً وجود أحادية المنوال ولا يمكنه تمثيل البيانات ثنائية أو متعددة المنوال بصرياً. وتعمل الامتدادات الحالية، مثل المخطط الوعائي (vaseplot) (بنجاميني، 1988)، والمخطط الكماني (violin plot) (هينتز ونالسون، 1998)، ومخطط الفاصوليا (beanplot) (كامبسترا، 2008)، على تحسين المخطط الصندوقي من خلال عرض منحنيات الكثافة أو نقاط البيانات الفردية. ومع ذلك، فإن هذه الطرق لا تكتشف أو تفصل بوضوح بين الأنماط (modes) المتميزة. وبناءً على ذلك، قد تكون الإحصاءات الملخصة داخل هذه المخططات (مثل الوسيط والربيعات) مضللة إذا كانت البيانات ناتجة عن خليط من المجموعات الفرعية، وقد يفشل التمثيل البصري في التمييز بوضوح بين العناقيد المتداخلة.

المنهجية
يقترح البحث الـ bixplot، وهو أداة تصور مصممة للكشف عن الهياكل أحادية المنوال، وثنائية المنوال، ومتعددة المنوال في البيانات أحادية المتغير. يتضمن بناء الـ bixplot مساراً خوارزمياً محدداً:

اختبار أحادية المنوال:
- تقيم الخوارزمية أولاً عدد القيم غير المفقودة ( $n$ ). إذا كان $n$ صغيراً (تحديداً $n < 2 \times \text{minN}$ ، حيث $\text{minN}=15$ افتراضياً) أو إذا أجبر المستخدم النظام على عنقود واحد ( $k_{max}=1$ )، يتم التعامل مع البيانات كأحادية المنوال.
- بالنسبة لمجموعات البيانات الأكبر، يتم تطبيق اختبار هارتيجان للغوص (Hartigan's dip test) (هارتيجان وهارتيجان، 1985) لاختبار فرضية العدم الخاصة بأحادية المنوال. يحسب الاختبار المسافة الرأسية القصوى بين دالة التوزيع التجريبية وأقرب توزيع أحادي المنوال. إذا كانت القيمة الاحتمالية ( $p\text{-value}$ ) أقل من مستوى المعنوية (0.01 افتراضياً)، يتم رفض فرضية أحادية المنوال.
التجميع أحادي المتغير المقيد:
- إذا اعتُبرت البيانات غير أحادية المنوال، يتم استخدام خوارزمية تجميع متخصصة لفصل البيانات إلى عناقيد متجاورة (فترات لا يكون فيها أعضاء العنقود متداخلين داخل بعضهم البعض).
- تستخدم الطريقة تجميع الـ $k$ -medoids (التقسيم حول الوسائط، PAM) لاختيار نقاط بيانات فعلية كمركزات للعناقيد.
- والأهم من ذلك، يطبق المؤلفون نسخة مقيدة من الـ $k$ -medoids. لضمان أن تكون العناقيد ذات معنى وتدعم تقدير الكثافة، تفرض الخوارزمية قيداً يقضي بأن يحتوي كل عنقود على حد أدنى من القيم الفريدة ( $\text{clusMinN}$ ، 3 افتراضياً). هذا يمنع النقاط المعزولة أو القيم المتكررة من تشكيل عناقيد زائفة. تستخدم الخوارزمية طريقة نقل لإعادة تعيين النقاط بشكل تكراري، مما يقلل إجمالي الانحراف مع استيفاء القيود.
اختيار العنقود:
- تقيم الخوارزمية أعداد العناقيد ( $k$ ) من 2 وصولاً إلى الحد الأقصى الذي يحدده المستخدم ( $k_{max}$ ، 7 افتراضياً).
- يتم اختيار العدد الأمثل للعناقيد بناءً على أعلى درجة سيلويت (silhouette score) (روسو، 1987)، والتي تقيس مدى ملاءمة النقاط لعناقيدها المخصصة مقارنة بالعناقيد الأخرى.
بناء التصور البصري:
- البيانات أحادية المنوال: تعرض مخططاً صندوقياً قياسياً متراكباً فوق تقدير كثافة النواة (على غرار المخطط الكماني) ومخطط سجادي (rug plot) (بأسلوب مخطط الفاصوليا) يظهر نقاط البيانات الفردية.
- البيانات متعددة المنوال: يتم تقسيم البيانات إلى العناقيد المحددة. ويُعرض كل عنقود كـ "جسم" منفصل له منحنى كثافة، ومخطط صندوقي، ومخطط سجادي خاص به.
- خيارات الحجم: يمكن أن يكون مساحة أجسام العناقيد متناسباً مع حجم العنقود، أو متساوياً عبر العناقيد، أو مضبوطاً على عرض متساوٍ.
- التلوين: يمكن تلوين الخطوط السجادية بناءً على متغيرات خارجية مستمرة أو فئوية للكشف عن العلاقات.

المساهمات الرئيسية

تصور الـ Bixplot: عرض رسومي جديد يجمع بين المخطط الصندوقي، وأثر الكثافة (الكماني)، والمخطط السجادي (الفاصوليا)، المصمم خصيصاً للتعامل مع البيانات متعددة المنوال عن طريق فصلها إلى عناقيد متجاورة ومتميزة.
خوارزمية الـ $k$ -medoids المقيدة: تعديل مبتكر لطريقة الـ $k$ -medoids يفرض حداً أدنى من القيم الفريدة لكل عنقود ويضمن تجاور العناقيد، وهو مصمم خصيصاً لتحديد الأنماط في البيانات أحادية المتغير.
التنفيذ البرمجي: يوفر المؤلفون تطبيقات قوية في كل من بايثون (حزمة bixplot) و R (الدالة bixplot() في حزمة classmap). تم تصميم هذه التطبيقات بخصائص افتراضية عملية للسماح باستدعاءات قصيرة للدوال مع توفير خيارات تخصيص واسعة للألوان، وعرض الخطوط، والحجم.

النتائج والتطبيقات
يوضح البحث فائدة الـ bixplot من خلال عدة مجموعات بيانات من الواقع:

سلوك الأسماك: رصد التباين الثنائي في أوقات الاستجابة عبر جولات تجريبية، مما أظهر تحولات في مراكز الأنماط.
la بيانات بطريق بالمر (Palmer Penguins): كشف عن التباين الثنائي في أطوال المناقير لطيور البطريق في جزيرة "دريم" (تمييز المجموعات الفرعية غير الظاهرة في المخططات الكمانية القياسية) وسمح بالمقارنة المباشرة بين الجنسين داخل الجزر باستخدام الـ bixplots "النصفية".
بيانات السوس (Iris): حدد أن طول وعرض البتلات يحتويان على بنية أكثر (ثنائية/متعددة المنوال) من أبعاد السبلة، مما ساعد في فصل الأنواع دون معرفة مسبقة بتصنيفات الفئات.
بيانات طائر الرفراف (Kingfisher): أظهر القدرة على التعامل مع البيانات المعقدة متعددة المنوال (7 عناقيد في طول الجناح)، مع ملاحظة أن التمييز البصري يصبح صعباً مع الأعداد العالية من العناقيد.
رسم خرائط الألوان: نجح في تصور العلاقات بين المخططات السجادية والمتغيرات الخارجية (مثل كتلة الجسم في البطاريق، أو الأنواع في بيانات السوس).

الأهمية والادعاءات
يضع المؤلفون الـ bixplot حصرياً كـ أداة استكشافية تهدف إلى مساعدة الحدس البشري والكشف عن المجموعات الفرعية المحتملة داخل البيانات. ويؤكدون صراحة أن الـ bixplot ليس طريقة تأكيدية؛ فتعريف العناقيد (مثل وجود ثلاثة عناقيد في متغير ما) هو مؤشر على وجود بنية، وليس تأكيداً إحصائياً للتكوين الدقيق للمجتمع الإحصائي. تتجنب الطريقة الافتراضات الاحتمالية (مثل التوزيع الطبيعي) المطلوبة في نماذج الخليط الاستدلالية، مما يجعلها مناسبة لنطاق أوسع من توزيعات البيانات. تكمن الأهمية الأساسية في قدرتها على ترك البيانات "تتحدث" فيما يتعلق بالنمط (modality)، مما يعالج فجوة محددة في أدوات تحليل البيانات الاستكشافي الحالية حيث تفشل المخططات الصندوقية القياسية وتفتقر مخططات الكثافة إلى الفصل الصريح للعناقيد.