Tony Cooper 博士，SAS 分析顾问
SAS 首席技术顾问 Sam Edgemon
主成分分析 (PCA) 可以减少变量并了解数据的底层结构。JMP 提供用于 PCA 的估计方法，例如 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。
本次演讲的动机是两年内每周包含 50 多种症状的数据。一种分析路径考虑了总结各种症状（综合征？）数据的方法。每列描述了某一时间段内某种症状的计数。
作者非常熟悉连续数据的 PCA，但 PCA 需要协方差矩阵来汇总连续数据，这些度量就是计数。与此同时，文本挖掘变得越来越容易实现，它经常考虑文档术语矩阵中的数据：
这个矩阵也取决于计数！文本挖掘中降维背后的数学通常是奇异值分解 (SVD)。
近年来，JMP 扩展了其主成分平台。
Wide 和 Sparse 都实现了 SVD。有基于 PCA 和 SVD 的选项。有用于居中和缩放的选项。针对特定情况对算法进行了修改。示例将演示如何实现这些选项。
.
