トニー・クーパー博士、SAS 分析コンサルタント
SAS 主席テクニカル コンサルタント、サム エッジモン氏
主成分分析 (PCA) により、変数を削減し、データの基礎となる構造を理解できます。JMP は、REML、ワイド、スパースなどの PCA の推定方法を提供します。異なる方法では、異なる計算を使用できます。さらに重要なのは、これらの方法はさまざまなアプリケーションに適用できることです。
この講演のきっかけは、2 年間にわたって毎週 50 以上の症状を含むデータでした。分析パスの 1 つでは、症状 (症候群?) 全体にわたってデータを要約する方法を検討しました。各列には、一定期間における特定の症状の数が記載されていました。
著者は連続データの PCA に非常に精通していましたが、PCA では連続データを要約するために共分散行列が必要であり、これらの尺度はカウントです。同時に、テキスト マイニングがよりアクセスしやすくなり、Doc-Term マトリックスでデータを考慮することが多くなりました。
この行列もカウントに依存します。テキスト マイニングにおける次元削減の背後にある数学は、通常、特異値分解 (SVD) です。
そして近年、JMP は主成分プラットフォームを拡張しました。
ワイドとスパースは両方とも SVD を実装します。PCA ベースと SVD ベースのオプションがあります。センタリングとスケーリングのオプションがあります。特定の状況に合わせてアルゴリズムが変更されます。例ではオプションの実装を示します。
.
