Tony Cooper, PhD, Analytic Consultant, SAS
Sam Edgemon, Consulente tecnico principale, SAS
L'analisi delle componenti principali (PCA) consente una riduzione variabile e una comprensione della struttura sottostante dei dati. JMP offre metodi di stima per PCA come REML, wide e sparse. I diversi metodi possono utilizzare diversi calcoli matematici. Ancora più importante, i metodi sono applicabili a diverse applicazioni.
La motivazione di questo intervento era costituita da dati che includevano oltre 50 sintomi ogni settimana per due anni. Un percorso di analisi ha considerato modi per riassumere i dati attraverso i sintomi (sindromi?). Ogni colonna descriveva il conteggio di un certo sintomo in un periodo di tempo.
L'autore era molto familiare con PCA sui dati continui, ma PCA richiede una matrice di covarianza per riassumere i dati continui e queste misure sono importanti. Allo stesso tempo, Text Mining diventava più accessibile e spesso considera i dati in una matrice di termini Doc:
Questa matrice dipende anche dai conteggi! La matematica dietro la riduzione della dimensione in Text Mining è in genere Single Decomposition (SVD).
Quindi negli ultimi anni JMP ha ampliato la sua piattaforma di Componenti principali.
Wide e Sparse implementano entrambi SVD. Ci sono opzioni per PCA e SVD basate. Ci sono opzioni per centrare e ridimensionare. Ci sono modifiche agli algotmi per situazioni particolari. Gli esempi dimostreranno l'implementazione delle opzioni.
.
