Tony Cooper, PhD, SAS 분석 컨설턴트
Sam Edgemon, SAS의 수석 기술 컨설턴트
주성분 분석(PCA)은 변수 감소와 데이터의 기본 구조에 대한 이해를 허용합니다. JMP는 REML, 와이드 및 스파스와 같은 PCA에 대한 추정 방법을 제공합니다. 다른 방법은 다른 수학을 사용할 수 있습니다. 더 중요한 것은 이러한 방법이 다른 응용 프로그램에 적용 가능하다는 것입니다.
이 강연의 동기는 2년 동안 매주 50개 이상의 증상을 포함하는 데이터였습니다. 한 분석 경로는 증상(증후군?)에 걸쳐 데이터를 요약하는 방법을 고려했습니다. 각 열은 특정 기간 동안 특정 증상에 대한 수를 설명했습니다.
저자는 연속 데이터에 대한 PCA에 매우 익숙했지만, PCA는 연속 데이터를 요약하기 위해 공분산 행렬이 필요하고 이러한 측정값은 카운트입니다. 동시에 텍스트 마이닝이 더 접근 가능해졌고 종종 Doc-Term 행렬의 데이터를 고려합니다.
이 매트릭스는 또한 카운트에 따라 달라집니다! 텍스트 마이닝에서 차원 감소의 이면에 있는 수학은 일반적으로 Singular Value Decomposition(SVD)입니다.
최근 몇 년 동안 JMP는 주요 구성 요소 플랫폼을 확장했습니다.
Wide와 Sparse는 모두 SVD를 구현합니다. PCA와 SVD 기반 옵션이 있습니다. 센터링 및 스케일링 옵션이 있습니다. 특정 상황에 대한 알고리즘에 대한 수정 사항이 있습니다. 예제는 옵션 구현을 보여줍니다.
.
