Tony Cooper，博士，SAS分析顾问
Sam Edgemon，SAS首席技术顾问
主成分分析（PCA）允许变量减少和理解数据的基础结构。JMP为PCA提供估算方法，如REML，宽和稀疏。不同的方法可以使用不同的数学。更重要的是，这些方法适用于不同的应用。
这次演讲的动机是每周包含50多个症状的数据，为期两年。一个分析路径考虑了跨症状汇总数据的方法（综合症？）每列描述了一段时间内某种症状的计数。
作者对连续数据的PCA非常熟悉，但PCA需要协方差矩阵来总结连续数据，这些测量是计数。与此同时，文本挖掘变得越来越容易，并且它经常考虑Doc-Term矩阵中的数据：
这个矩阵也取决于计数！文本挖掘中降维的背后的数学通常是奇异值分解（SVD）。
然后，近年来JMP扩展了它的Principal Components平台。
宽和稀疏都实现了SVD。有基于PCA和SVD的选项。有中心和缩放选项。针对特定情况对算法进行了修改。示例将演示如何实现选项。
。
