Der einfachste Weg, PCA in SAS durchzuf\u00fchren, ist die Verwendung der PROC PRINCOMP-<\/strong> Anweisung, die die folgende grundlegende Syntax verwendet:<\/span><\/p>\n Hier erfahren Sie, was jede Anweisung bewirkt:<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie die PROC PRINCOMP-<\/strong> Anweisung in der Praxis verwenden, um eine Hauptkomponentenanalyse in SAS durchzuf\u00fchren.<\/span><\/p>\n Angenommen, wir haben den folgenden Datensatz, der verschiedene Informationen \u00fcber 20 Basketballspieler enth\u00e4lt:<\/span> <\/p>\n Wir k\u00f6nnen die PROC PRINCOMP-<\/strong> Anweisung verwenden, um eine Hauptkomponentenanalyse unter Verwendung der Punkte-<\/strong> , Assists-<\/strong> und Bounces<\/strong> -Variablen des Datensatzes durchzuf\u00fchren:<\/span><\/span><\/p>\n Der erste Teil der Ausgabe zeigt verschiedene deskriptive Statistiken an, darunter den Mittelwert und die Standardabweichung jeder Eingabevariablen, eine Korrelationsmatrix sowie die Werte der Eigenwerte und Eigenvektoren:<\/span> <\/p>\n Der n\u00e4chste Teil der Ausgabe zeigt ein Ger\u00f6lldiagramm<\/strong> und ein erkl\u00e4rtes Varianzdiagramm<\/strong> :<\/span> <\/p>\n Wenn wir PCA durchf\u00fchren, m\u00f6chten wir oft verstehen, wie viel Prozent der Gesamtvariation im Datensatz durch jede Hauptkomponente erkl\u00e4rt werden kann.<\/span><\/p>\n Die resultierende Tabelle mit dem Titel Korrelationsmatrix-Eigenwerte<\/strong> erm\u00f6glicht es uns, genau zu sehen, welcher Prozentsatz der Gesamtvariation durch jede Hauptkomponente erkl\u00e4rt wird:<\/span><\/p>\n Beachten Sie, dass sich alle Prozentangaben zu 100 % addieren.<\/span><\/p>\n Der Plot mit dem Titel \u201eVarianz erkl\u00e4rt\u201c<\/strong> erm\u00f6glicht es uns dann, diese Werte zu visualisieren.<\/span><\/p>\n Die x-Achse zeigt die Hauptkomponente und die y-Achse den Prozentsatz der Gesamtvarianz, der durch jede einzelne Hauptkomponente erkl\u00e4rt wird.<\/span><\/p>\n Um die PCA-Ergebnisse f\u00fcr einen bestimmten Datensatz zu visualisieren, k\u00f6nnen wir einen Biplot<\/strong> erstellen, bei dem es sich um einen Plot handelt, der jede Beobachtung in einem Datensatz auf einer Ebene anzeigt, die durch die ersten beiden Hauptkomponenten gebildet wird.<\/span><\/p>\n Wir k\u00f6nnen in SAS die folgende Syntax verwenden, um einen Biplot zu erstellen:<\/span> <\/p>\n Die x-Achse zeigt die erste Hauptkomponente, die y-Achse die zweite Hauptkomponente und einzelne Beobachtungen<\/a> aus dem Datensatz werden im Diagramm als kleine Kreise angezeigt.<\/span><\/p>\n Die in der Grafik nebeneinander stehenden Beobachtungen haben \u00e4hnliche Werte f\u00fcr die drei Variablen Punkte<\/strong> , Assists<\/strong> und Rebounds<\/strong> .<\/span><\/p>\n Ganz links im Diagramm k\u00f6nnen wir beispielsweise sehen, dass die Beobachtungen Nr. 9<\/strong> und Nr. 10<\/strong> extrem nahe beieinander liegen.<\/span><\/p>\n Wenn wir uns auf den Originaldatensatz beziehen, k\u00f6nnen wir die folgenden Werte f\u00fcr diese Beobachtungen sehen:<\/span><\/p>\n Die Werte sind f\u00fcr jede der drei Variablen \u00e4hnlich, was erkl\u00e4rt, warum diese Beobachtungen im Biplot so nahe beieinander liegen.<\/span><\/p>\n Wir haben auch in der Ergebnistabelle mit dem Titel Korrelationsmatrix-Eigenwerte<\/strong> gesehen, dass die ersten beiden Hauptkomponenten 88,21 %<\/strong> der Gesamtvariation im Datensatz ausmachen.<\/span><\/p>\n Da dieser Prozentsatz sehr hoch ist, ist es sinnvoll zu analysieren, welche Beobachtungen im Biplot nahe beieinander liegen, da die beiden Hauptkomponenten, aus denen der Biplot besteht, fast die gesamte Variation im Datensatz ausmachen.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere h\u00e4ufige Aufgaben in SAS ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in SAS durch<\/a> Die Hauptkomponentenanalyse (PCA) ist eine unbeaufsichtigte Technik des maschinellen Lernens, die versucht, die Hauptkomponenten \u2013 lineare Kombinationen von Pr\u00e4diktorvariablen \u2013 zu finden, die einen gro\u00dfen Teil der Variation in einem Datensatz erkl\u00e4ren. Der einfachste Weg, PCA in SAS durchzuf\u00fchren, ist die Verwendung der PROC PRINCOMP- Anweisung, die die folgende grundlegende Syntax verwendet: proc princomp data […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n proc princomp<\/span> data<\/span> =my_data out<\/span> =out_data outstat<\/span> =stats;\n var<\/span> var1 var2 var3;\nrun<\/span> ;<\/strong><\/pre>\n\n
Schritt 1: Erstellen Sie einen Datensatz<\/strong><\/span><\/h2>\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> points assists rebounds;\n datalines<\/span> ;\n22 8 4\n29 7 3\n10 4 12\n5 5 15\n35 6 2\n8 3 10\n10 4 8\n8 4 3\n2 5 17\n4 5 19\n9 9 4\n7 6 4\n31 5 3\n4 6 13\n5 7 8\n8 8 4\n10 4 8\n20 4 6\n25 8 8\n18 8 3\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas1.png\")
<\/p>\n Schritt 2: F\u00fchren Sie eine Hauptkomponentenanalyse durch<\/strong><\/span><\/h2>\n
\/*perform principal components analysis*\/<\/span>\nproc princomp<\/span> data<\/span> =my_data out<\/span> =out_data outstat<\/span> =stats;\n var<\/span> points assists rebounds;\nrun<\/span> ;<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas2.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas3.png\")
<\/p>\n\n
Schritt 3: Erstellen Sie einen Biplot, um die Ergebnisse zu visualisieren<\/strong><\/span><\/h2>\n
\/*create dataset with column called obs<\/em> to represent row numbers of original data*\/<\/span>\ndata<\/span> biplot_data;\n set<\/span> out_data;\n obs=_n_;\nrun<\/span> ;\n\n\/*create biplot using values from first two principal components*\/\n<\/span>proc sgplot<\/span> data<\/span> =biplot_data;\n scatter<\/span> x<\/span> =Prin1 y<\/span> =Prin2 \/ datalabel<\/span> =obs;\nrun<\/span> ;<\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcasas4.png\")
<\/p>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine multiple lineare Regression in SAS durch<\/a>
So f\u00fchren Sie eine logistische Regression in SAS durch<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"