Tony Cooper, PhD, consultant en analyse, SAS
Sam Edgemon, consultant technique principal, SAS
L’analyse en composantes principales (ACP) permet une réduction variable et une compréhension de la structure sous-jacente des données. JMP propose des méthodes d’estimation pour PCA telles que REML, large et clairsemé. Les différentes méthodes peuvent utiliser différentes mathématiques. Plus important encore, les méthodes sont applicables pour différentes applications.
La motivation de cet exposé était constituée de données comprenant plus de 50 symptômes chaque semaine pendant deux ans. Un chemin d'analyse a examiné les moyens de résumer les données pour tous les symptômes (syndromes?). Chaque colonne décrivait le nombre d'un symptôme donné sur une période donnée.
L'auteur connaissait très bien PCA pour les données continues, mais PCA nécessite une matrice de covariance pour résumer les données continues et ces mesures sont des comptes. Dans le même temps, l’exploration de texte devenait plus accessible et tenait souvent compte des données dans une matrice Doc-Term:
Cette matrice dépend aussi des comptes! Le calcul derrière la réduction de dimension dans l'exploration de texte est généralement une décomposition en valeurs singulières (SVD).
Puis, ces dernières années, JMP a étendu sa plate-forme Composants principaux.
Wide et Sparse implémentent tous les deux la SVD. Il existe des options pour PCA et SVD. Il existe des options pour le centrage et la mise à l'échelle. Il y a des modifications aux algorithmes pour des situations particulières. Des exemples illustreront la mise en œuvre des options.
.
