annCode
Description
Génère un code de scoring pour l'étape DATA à partir d'un modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). de réseau de neurones artificiel. L'action est extrêmement utile pour déployer et industrialiser votre modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). dans des environnements de production SAS classiques sans avoir besoin de charger l'intégralité du moteur analytique en mémoire. Prêt à faire chauffer les neurones (artificiels, bien sûr) ?
Paramètres Clés
| Nom du paramètre | Description |
|---|---|
| modelTable | Spécifie la table contenant le modèle de réseau de neurones artificiel préalablement entraîné. C'est le seul paramètre requis de l'action. |
| code | Demande à l'action de produire le code de score SAS. Il inclut la déclaration de la table de sortie (casOut) pour stocker le code généré, ainsi que des options de formatage (indentation, commentaires). |
| listNode | Spécifie les nœuds (neurones) à inclure dans le tableau de sortie. Par défaut, seuls les nœuds cachés ('HIDDEN') sont inclus. Peut prendre les valeurs 'ALL', 'HIDDEN', 'INPUT', ou 'OUTPUT'. |
| modelId | Définit le nom de la variable d'identification du modèle qui sera insérée dans le code de l'étape DATA généré. Par défaut, c'est la cible avec le préfixe 'ANN_'. |
Préparation des données
Préparation des données et entraînement du modèle
Pour utiliser l'action annCode, il faut d'abord avoir un modèle entraîné. Voici comment charger les données Iris et entraîner un réseau de neurones avec l'action annTrain.
| 1 | PROC CAS; |
| 2 | SESSION casauto; |
| 3 | TABLE.loadTable / path="iris.sashdat", caslib="samples", casout={name="iris", replace=true}; |
| 4 | neuralNet.annTrain / |
| 5 | TABLE={name="iris"} |
| 6 | inputs={"SepalLength", "SepalWidth", "PetalLength", "PetalWidth"} |
| 7 | target="Species" |
| 8 | hidden={5} |
| 9 | casOut={name="iris_ann_model", replace=true}; |
| 10 | RUN; |
| 11 | QUIT; |
Exemples d'utilisation
Génération de code de base
Génère simplement le code de scoring à partir du modèle existant.
| 1 | PROC CAS; |
| 2 | neuralNet.annCode / |
| 3 | modelTable={name="iris_ann_model"} |
| 4 | code={casOut={name="iris_score_code", replace=true}}; |
| 5 | RUN; |
| 6 | QUIT; |
Résultat Attendu :
Génération de code personnalisée et détaillée
Génère un code de scoring très détaillé, incluant des commentaires, ajustant l'indentation, et demandant la sortie de tous les nœuds du réseau.
| 1 | PROC CAS; |
| 2 | neuralNet.annCode / |
| 3 | modelTable={name="iris_ann_model"} |
| 4 | listNode="ALL" |
| 5 | modelId="Modele_Iris_V1" |
| 6 | code={ |
| 7 | casOut={name="iris_score_code_detail", replace=true}, |
| 8 | comment=true, |
| 9 | indentSize=4, |
| 10 | lineSize=120, |
| 11 | tabForm=false |
| 12 | }; |
| 13 | RUN; |
| 14 | QUIT; |