Tony Cooper，博士，SAS分析顧問
Sam Edgemon，SAS首席技術顧問
主成分分析（PCA）允許變量減少和理解數據的基礎結構。JMP為PCA提供估算方法，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。
這次談話的動機是每週包含50多個症狀的數據，為期兩年。一個分析路徑考慮了跨症狀總結數據的方法（綜合徵？）每個列描述了一段時間內某種症狀的計數。
作者對連續數據的PCA非常熟悉，但PCA需要協方差矩陣來總結連續數據，這些測量是計數。與此同時，Text Mining變得越來越容易獲取，它通常會考慮Doc-Term Matrix中的數據：
這個矩陣也取決於計數！文本挖掘中降維的背後的數學通常是奇異值分解（SVD）。
然後，近年來JMP擴展了它的Principal Components平台。
寬和稀疏都實現了SVD。有基於PCA和SVD的選項。有中心和縮放選項。對於特定情況，對算法進行了修改。示例將演示實現選項。
。
