Tony Cooper, PhD, consultant analytique, SAS
Sam Edgemon, consultant technique principal, SAS
L'analyse en composantes principales (ACP) permet de réduire les variables et de comprendre la structure sous-jacente des données. JMP propose des méthodes d'estimation pour l'ACP, telles que REML, large et parcimonieuse. Les différentes méthodes peuvent utiliser des mathématiques différentes. Plus important encore, elles sont applicables à différentes applications.
Cette présentation s'appuyait sur des données incluant plus de 50 symptômes chaque semaine pendant deux ans. Une analyse a envisagé des moyens de synthétiser les données pour chaque symptôme (syndrome ?). Chaque colonne décrivait le nombre de symptômes observés sur une période donnée.
L'auteur connaissait bien l'ACP sur données continues, mais elle nécessite une matrice de covariance pour synthétiser les données continues, et ces mesures sont des décomptes. Parallèlement, le Text Mining est devenu plus accessible et prend souvent en compte les données dans une matrice Doc-Term :
Cette matrice dépend également des nombres ! Le calcul mathématique derrière la réduction dimensionnelle en Text Mining est généralement la décomposition en valeurs singulières (SVD).
Ces dernières années, JMP a étendu sa plateforme de composants principaux.
Les algorithmes larges et clairsemés implémentent tous deux la SVD. Des options sont disponibles pour l'ACP et la SVD. Des options de centrage et de mise à l'échelle sont également disponibles. Des modifications des algorithmes sont possibles pour des situations particulières. Des exemples illustreront la mise en œuvre de ces options.
.
