Cara paling sederhana untuk melakukan PCA di SAS adalah dengan menggunakan pernyataan PROC PRINCOMP<\/strong> , yang menggunakan sintaks dasar berikut:<\/span><\/p>\n Inilah yang dilakukan setiap instruksi:<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara menggunakan pernyataan PROC PRINCOMP<\/strong> dalam praktiknya untuk melakukan analisis komponen utama di SAS.<\/span><\/p>\n Misalkan kita memiliki kumpulan data berikut yang berisi berbagai informasi tentang 20 pemain bola basket:<\/span> <\/p>\n Kita dapat menggunakan pernyataan PROC PRINCOMP<\/strong> untuk melakukan analisis komponen utama menggunakan variabel points<\/strong> , assists<\/strong> , dan bouncing<\/strong> pada dataset:<\/span><\/span><\/p>\n Bagian pertama keluaran menampilkan berbagai statistik deskriptif, termasuk mean dan deviasi standar setiap variabel masukan, matriks korelasi, serta nilai nilai eigen dan vektor eigen:<\/span> <\/p>\n Bagian selanjutnya dari output menampilkan plot scree<\/strong> dan plot varians yang dijelaskan<\/strong> :<\/span> <\/p>\n Saat kita melakukan PCA, sering kali kita ingin memahami berapa persentase total variasi kumpulan data yang dapat dijelaskan oleh setiap komponen utama.<\/span><\/p>\n Tabel yang dihasilkan berjudul Nilai Eigen Matriks Korelasi<\/strong> memungkinkan kita melihat dengan tepat berapa persentase total variasi yang dijelaskan oleh setiap komponen utama:<\/span><\/p>\n Perhatikan bahwa semua persentase berjumlah 100%.<\/span><\/p>\n Plot bertajuk Variance Dijelaskan<\/strong> kemudian memungkinkan kita memvisualisasikan nilai-nilai tersebut.<\/span><\/p>\n Sumbu x menampilkan komponen utama dan sumbu y menampilkan persentase varians total yang dijelaskan oleh masing-masing komponen utama.<\/span><\/p>\n Untuk memvisualisasikan hasil PCA pada suatu dataset tertentu, kita dapat membuat biplot<\/strong> , yaitu plot yang menampilkan setiap observasi dalam suatu dataset pada bidang yang dibentuk oleh dua komponen utama pertama.<\/span><\/p>\n Kita dapat menggunakan sintaks berikut di SAS untuk membuat biplot:<\/span> <\/p>\n Sumbu x menampilkan komponen utama pertama, sumbu y menampilkan komponen utama kedua, dan observasi<\/a> individual dari kumpulan data ditampilkan di dalam grafik sebagai lingkaran kecil.<\/span><\/p>\n Pengamatan yang berdampingan pada grafik memiliki nilai yang sama untuk ketiga variabel poin<\/strong> , assist<\/strong> , dan rebound<\/strong> .<\/span><\/p>\n Misalnya, di paling kiri grafik, kita dapat melihat bahwa observasi #9<\/strong> dan #10<\/strong> sangat berdekatan satu sama lain.<\/span><\/p>\n Jika kita mengacu pada dataset asli, kita dapat melihat nilai observasi berikut:<\/span><\/p>\n Nilai-nilai tersebut serupa untuk masing-masing dari ketiga variabel, yang menjelaskan mengapa pengamatan ini sangat dekat satu sama lain pada biplot.<\/span><\/p>\n Kita juga melihat pada tabel hasil yang berjudul Nilai Eigen Matriks Korelasi<\/strong> bahwa dua komponen utama pertama menyumbang 88,21%<\/strong> dari total variasi dalam kumpulan data.<\/span><\/p>\n Karena persentase ini sangat tinggi, maka valid untuk menganalisis pengamatan mana dalam biplot yang berdekatan satu sama lain, karena dua komponen utama yang membentuk biplot bertanggung jawab atas hampir seluruh variasi dalam kumpulan data.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di SAS:<\/span><\/p>\n Cara melakukan regresi linier sederhana di SAS<\/a> Analisis komponen utama (PCA) adalah teknik pembelajaran mesin tanpa pengawasan yang berupaya menemukan komponen utama \u2013 kombinasi linier variabel prediktor \u2013 yang menjelaskan sebagian besar variasi dalam kumpulan data. Cara paling sederhana untuk melakukan PCA di SAS adalah dengan menggunakan pernyataan PROC PRINCOMP , yang menggunakan sintaks dasar berikut: proc princomp data =my_data out =out_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
Langkah 1: Buat kumpulan data<\/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 Langkah 2: Lakukan analisis komponen utama<\/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
Langkah 3: Buat biplot untuk memvisualisasikan hasilnya<\/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
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di SAS<\/a>
Cara melakukan regresi logistik di SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"