Geschäftskontext
In einer Fertigungsstraße generieren Tausende von Sensoren kontinuierlich Daten. Ingenieure wollen das Rauschen reduzieren und die Hauptvariationsquellen mithilfe der Kovarianzmatrix analysieren, da die Einheiten der Sensoren physikalisch vergleichbar sind.
Datenaufbereitung
Simulation eines großen Datensatzes mit Sensordaten.
Kopiert!
| 1 | |
| 2 | DATA casuser.sensoren; |
| 3 | DO i=1 to 100000; |
| 4 | sensor1 = rannor(1); |
| 5 | sensor2 = sensor1 * 1.5 + rannor(1); |
| 6 | sensor3 = rannor(1) * 10; |
| 7 | OUTPUT; |
| 8 | END; |
| 9 | |
| 10 | RUN; |
| 11 |
Étapes de réalisation
1
Berechnung der PCA basierend auf der Kovarianzmatrix für große Datenmengen.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | pca.eig TABLE={name="sensoren"} cov=true outStat={casOut={name="sensor_statistiken", replace=true}}; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Analyse verarbeitet 100.000 Zeilen effizient. Da 'cov=true' gesetzt ist, basieren die Eigenwerte auf der Kovarianz. Die Tabelle 'sensor_statistiken' enthält detaillierte Metriken.