Il modo pi\u00f9 semplice per eseguire PCA in SAS \u00e8 utilizzare l’istruzione PROC PRINCOMP<\/strong> , che utilizza la seguente sintassi di base:<\/span><\/p>\n Ecco cosa fa ciascuna istruzione:<\/span><\/p>\n Il seguente esempio passo passo mostra come utilizzare in pratica l’istruzione PROC PRINCOMP<\/strong> per eseguire l’analisi dei componenti principali in SAS.<\/span><\/p>\n Supponiamo di avere il seguente set di dati contenente varie informazioni su 20 giocatori di basket:<\/span> <\/p>\n Possiamo utilizzare l’istruzione PROC PRINCOMP<\/strong> per eseguire l’analisi delle componenti principali utilizzando le variabili points<\/strong> , assist<\/strong> e rimbalzi<\/strong> del set di dati:<\/span><\/span><\/p>\n La prima parte dell’output mostra varie statistiche descrittive, tra cui la media e le deviazioni standard di ciascuna variabile di input, una matrice di correlazione e i valori degli autovalori e degli autovettori:<\/span> <\/p>\n La parte successiva dell’output mostra uno scree plot<\/strong> e un grafico della varianza spiegato<\/strong> :<\/span> <\/p>\n Quando eseguiamo la PCA, spesso vogliamo capire quale percentuale della variazione totale nel set di dati pu\u00f2 essere spiegata da ciascun componente principale.<\/span><\/p>\n La tabella risultante intitolata Autovalori della matrice di correlazione<\/strong> ci consente di vedere esattamente quale percentuale della variazione totale \u00e8 spiegata da ciascuna componente principale:<\/span><\/p>\n Tieni presente che tutte le percentuali ammontano a 100%.<\/span><\/p>\n Il grafico intitolato Variance Explained<\/strong> ci consente quindi di visualizzare questi valori.<\/span><\/p>\n L’asse x mostra la componente principale e l’asse y mostra la percentuale della varianza totale spiegata da ogni singola componente principale.<\/span><\/p>\n Per visualizzare i risultati della PCA per un dato set di dati, possiamo creare un biplot<\/strong> , ovvero un grafico che mostra ciascuna osservazione in un set di dati su un piano formato dai primi due componenti principali.<\/span><\/p>\n Possiamo usare la seguente sintassi in SAS per creare un biplot:<\/span> <\/p>\n L’asse x mostra la prima componente principale, l’asse y mostra la seconda componente principale e le singole osservazioni<\/a> del set di dati vengono visualizzate all’interno del grafico come piccoli cerchi.<\/span><\/p>\n Le osservazioni che si affiancano nel grafico hanno valori simili per le tre variabili di punti<\/strong> , assist<\/strong> e rimbalzi<\/strong> .<\/span><\/p>\n Ad esempio, all’estrema sinistra del grafico, possiamo vedere che le osservazioni n. 9<\/strong> e n. 10<\/strong> sono estremamente vicine tra loro.<\/span><\/p>\n Se facciamo riferimento al set di dati originale, possiamo vedere i seguenti valori per queste osservazioni:<\/span><\/p>\n I valori sono simili per ciascuna delle tre variabili, il che spiega perch\u00e9 queste osservazioni sono cos\u00ec vicine tra loro sul biplot.<\/span><\/p>\n Abbiamo anche visto nella tabella dei risultati intitolata Autovalori della matrice di correlazione<\/strong> che i primi due componenti principali rappresentano l\u2019 88,21%<\/strong> della variazione totale nel set di dati.<\/span><\/p>\n Poich\u00e9 questa percentuale \u00e8 molto alta, \u00e8 valido analizzare quali osservazioni nel biplot sono vicine tra loro, perch\u00e9 le due componenti principali che compongono il biplot rappresentano quasi tutta la variazione nel set di dati.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in SAS:<\/span><\/p>\n Come eseguire una regressione lineare semplice in SAS<\/a> L’analisi delle componenti principali (PCA) \u00e8 una tecnica di apprendimento automatico non supervisionata che cerca di trovare le componenti principali \u2013 combinazioni lineari di variabili predittive \u2013 che spiegano gran parte della variazione in un set di dati. Il modo pi\u00f9 semplice per eseguire PCA in SAS \u00e8 utilizzare l’istruzione PROC PRINCOMP , che utilizza […]<\/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
Passaggio 1: crea un set di dati<\/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 Passaggio 2: eseguire l’analisi delle componenti principali<\/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
Passaggio 3: crea un biplot per visualizzare i risultati<\/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
Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione lineare multipla in SAS<\/a>
Come eseguire la regressione logistica in SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"