Action deepprice SAS Viya : Modélisation des prix par Deep Learning

Description

L'action `deepprice` de l'action setGemini said

Groupe logique de fonctionnalités CAS (Cloud Analytic Services) contenant des actions spécifiques (statistiques, data mining, etc.) pour traiter les données en mémoire de manière optimisée. `deepecon` est votre baguette magique algorithmique pour la modélisationProcessus de création de structures mathématiques ou statistiques sur SAS Viya pour prédire des comportements, classifier des données ou identifier des tendances à partir de jeux de données CAS. des prix (price modeling) en utilisant des réseaux de neurones profonds (Deep LearningSous-ensemble du Machine Learning basé sur des réseaux de neurones artificiels profonds. Il excelle dans l'extraction automatique de motifs complexes depuis des données brutes (images, texte, son).). Elle vous permet d'estimer des effets causauxMesure de l'impact direct d'une intervention ou d'un traitement sur un résultat, isolée des autres variables grâce à des méthodes statistiques comme le score de propension. et d'évaluer vos différentes politiques tarifaires. Parfait pour savoir mathématiquement si cette promotion du vendredi va vraiment faire décoller vos ventes sans couler votre marge ! Retrouvez tous les détails dans la documentation officielle .

Syntaxe Officielle

                                proc cas;

  deepecon.deepprice /

    table={name="nom_table", caslib="lib"}

    id="nom_variable_id"

    model={outcome="var_cible", covariates={"var1", "var2"}, dnn={nodes={32, 16}}}

    tmodel={treatment="var_traitement", covariates={"var1", "var2"}, dnn={nodes={32, 16}}}

    instrument={var="var_instrumentale"}

    infer={policy={"var_politique"}, out={name="table_sortie"}}

    score={outO={name="table_score_O"}, outPs={name="table_score_Ps"}};

run;

Paramètres Clés

Nom du paramètre	Description
table	La table d'entrée contenant vos précieuses données (doit être spécifiée avec le nom et/ou la caslib). Paramètre obligatoire.
id	Variable identifiant de manière unique chaque ligne de la table. Indispensable pour ne perdre aucune observation en route ! Paramètre obligatoire.
model	Définition du modèle de résultat (outcome model). Contient la variable cible (`outcome`), les variables explicatives (`covariates`) et la configuration du réseau de neurones (`dnn`). Paramètre obligatoire.
tmodel	Définition du modèle de traitement (treatment model). Définit la variable de traitement/prix (`treatment`), les variables explicatives et le réseau de neurones associé. Paramètre obligatoire.
dnn	Configuration architecturale des réseaux de neurones (nombre de nœuds par couche `nodes`, options d'entraînement `train` avec algorithme d'optimisation, epochs, taille de batch, dropout, etc.).
infer	Paramètres d'inférence pour évaluer et comparer vos politiques de prix. Permet de spécifier les variables de politique (`policy`) et les tables de sortie (`out`, `outDetails`).
score	Paramètres dédiés au scoring des données, pour définir les tables d'entrée/sortie des fonctions intermédiaires (outA, outB, outEta0, outEta1, outO, outPs).
instrument	Spécifie les variables instrumentales utilisées pour traiter l'endogénéité (quand une variable explicative est corrélée avec le terme d'erreur).

Préparation des données

Création de données de prix simulées

Génération d'une table avec des identifiants, des covariables, des prix (traitement) et des ventes (résultat) pour tester l'action.

1	DATA casuser.prix_data; call streaminit(12345); DO id = 1 to 1000; var1 = rand("Normal"); var2 = rand("Uniform"); prix = 10 + 2var1 + rand("Normal"); target = 50 - 2prix + 3var1 + 4var2 + rand("Normal"); OUTPUT; END; RUN;

Exemples d'utilisation

Modélisation basique des prix

Estimation de l'élasticité avec des réseaux de neurones simples à deux couches (16 et 8 nœuds) pour les modèles de résultat et de traitement.

1	PROC CAS; deepecon.deepprice / TABLE={name="prix_data", caslib="casuser"} id="id" model={outcome="target", covariates={"var1", "var2"}, dnn={nodes={16, 8}}} tmodel={treatment="prix", covariates={"var1", "var2"}, dnn={nodes={16, 8}}}; RUN;

Résultat Attendu :

                                                    Affiche le résumé de l'optimisation, l'historique d'itération et les paramètres des réseaux de neurones générés pour l'analyse causale.                                                

Analyse causale complète avec optimisation ADAM, Inférence et Scoring

Configuration avancée de `deepprice` avec utilisation d'une variable instrumentale, des hyperparamètres d'entraînement personnalisés (ADAM, miniBatchSize), évaluation d'une politique, et sauvegarde exhaustive des tables de scores et d'inférence.

1

PROC CAS; deepecon.deepprice / TABLE={name="prix_data", caslib="casuser"} id="id" instrument={var="var1"} model={outcome="target", covariates={"var2"}, dnn={nodes={32, 16, 8}, train={optimizer={algorithm={method="ADAM"}, maxEpochs=10, miniBatchSize=32}}}} tmodel={treatment="prix", covariates={"var2"}, dnn={nodes={32, 16, 8}, train={optimizer={algorithm={method="ADAM"}, maxEpochs=10, miniBatchSize=32}}}} infer={policy={"prix"}, out={name="infer_out", caslib="casuser", replace=True}} score={outO={name="score_out_o", caslib="casuser", replace=True}, outPs={name="score_out_ps", caslib="casuser", replace=True}}; RUN;

Résultat Attendu :

                                                    Exécute l'entraînement de bout en bout en Deep Learning, génère les tables 'infer_out' contenant l'évaluation de la politique de prix, ainsi que 'score_out_o' et 'score_out_ps' utiles pour le déploiement ou l'analyse granulaire.                                                