Tony Cooper 博士，SAS 分析顧問
SAS 技術顧問 Sam Edgemon
主成分分析 (PCA) 可以減少變數並了解資料的底層結構。 JMP 為 PCA 提供估計方法，例如 REML、寬和稀疏。不同的方法可以使用不同的數學。更重要的是，這些方法適用於不同的應用。
這次演講的動機是兩年來每週包含 50 多種症狀的數據。一種分析路徑考慮了匯總跨症狀（綜合徵？）數據的方法。每列描述了某一時間段內某種症狀的計數。
作者對連續數據的 PCA 非常熟悉，但 PCA 需要協方差矩陣來匯總連續數據，而這些度量就是計數。同時，文字探勘變得越來越容易，它通常考慮文檔術語矩陣中的資料：
這個矩陣也取決於計數！文本挖掘中降維背後的數學通常是奇異值分解（SVD）。
近年來，JMP 擴展了其主成分平台。
Wide 和 Sparse 都實作了 SVD。有基於 PCA 和 SVD 的選項。有居中和縮放的選項。針對特殊情況，演算法進行了修改。範例將示範如何實作這些選項。
.
