Tony Cooper, PhD, SAS의 분석 컨설턴트
SAS Edgemon, SAS 수석 컨설턴트
PCA (Principal Components Analysis)는 데이터의 기본 구조에 대한 가변적 인 축소 및 이해를 허용합니다. JMP는 REML, 넓고 희소 한 PCA에 대한 평가 방법을 제공합니다. 다른 방법은 다른 수학을 사용할 수 있습니다. 더 중요한 것은이 방법이 다른 응용 분야에 적용 가능하다는 것입니다.
이 대화의 동기는 2 년 동안 매주 50 건 이상의 증상을 포함하는 데이터입니다. 하나의 분석 경로가 증상 (증후군?)에 따라 데이터를 요약하는 방법을 고려했습니다. 각 열에는 특정 기간 동안의 특정 증상에 대한 수를 설명했습니다.
저자는 연속 데이터에 대한 PCA에 매우 익숙했지만 PCA는 연속 데이터를 요약하기 위해 공분산 행렬을 필요로하며 이러한 측정은 중요합니다. 동시에 Text Mining은보다 쉽게 접근 할 수있게되었으며 종종 Doc-Term Matrix에서 데이터를 고려합니다.
이 행렬은 또한 카운트에 의존합니다! 텍스트 마이닝의 차원 감소 뒤에있는 수학은 일반적으로 SVD (Singular Value Decomposition)입니다.
그런 다음 JMP는 최근 몇 년 동안 Principal Components 플랫폼을 확장했습니다.
Wide와 Sparse 모두 SVD를 구현합니다. PCA 및 SVD 기반의 옵션이 있습니다. 센터링 및 스케일링을위한 옵션이 있습니다. 특정 상황에서 알트 코드가 수정되었습니다. 예제를 통해 옵션을 구현하는 방법을 보여줍니다.
.
