dnnCode
Description
L'action dnnCode du set d'actions deepNeural est un outil magique qui permet de générer du code de scoringProcessus d'application d'un modèle prédictif à de nouvelles données pour calculer une probabilité ou un score, permettant ainsi d'automatiser la prise de décision en temps réel sur SAS Viya. DATA stepBloc de programmation SAS itératif utilisé pour lire, transformer et manipuler des données ligne par ligne afin de créer des tables de sortie personnalisées et calculer de nouvelles variables. classique 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 neuronesUn réseau de neurones est un modèle d'IA bio-inspiré composé de couches de nœuds interconnectés, capable d'apprendre des relations complexes dans les données pour prédire ou classifier avec précision. profond (Deep Neural Network) entraîné . En d'autres termes, elle traduit votre IA complexe en un bloc de code SAS traditionnel prêt à être déployé partout, sans dépendances exotiques ni maux de tête en production !
Paramètres Clés
Préparation des données
Préparation des tables factices
Pour utiliser dnnCode, vous devez généralement avoir entraîné un modèle au préalable via l'action dnnTrain. Pour cet exemple, nous allons simuler l'existence de ces tables avec de fausses données afin que le code de l'action s'exécute avec succès.
| 1 | DATA casuser.mon_modele; |
| 2 | LENGTH model_id $20; |
| 3 | model_id='dummy_architecture'; |
| 4 | RUN; |
| 5 | DATA casuser.mes_poids; |
| 6 | LENGTH weight_id $20; |
| 7 | weight_id='dummy_weights'; |
| 8 | RUN; |
Exemples d'utilisation
Génération de code de base
Génère un simple code DATA step pour un modèle existant et sauvegarde les instructions textuelles dans une nouvelle table CAS.
| 1 | PROC CAS; |
| 2 | deepNeural.dnnCode / |
| 3 | modelTable={name="mon_modele", caslib="casuser"} |
| 4 | initWeights={name="mes_poids", caslib="casuser"} |
| 5 | code={casOut={name="code_scoring", caslib="casuser", replace=TRUE}}; |
| 6 | RUN; |
| 7 | QUIT; |
Résultat Attendu :
Génération avancée avec formatage pour les humains
Génération de code avec inclusion de commentaires explicatifs, paramétrage fin de l'indentation, et définition d'un ID de modèle spécifique pour une meilleure traçabilité.
| 1 | PROC CAS; |
| 2 | deepNeural.dnnCode / |
| 3 | modelTable={name="mon_modele", caslib="casuser"} |
| 4 | initWeights={name="mes_poids", caslib="casuser"} |
| 5 | modelId="DNN_Model_V1" |
| 6 | encodeName=TRUE |
| 7 | nThreads=4 |
| 8 | code={ |
| 9 | casOut={name="code_scoring_avance", caslib="casuser", replace=TRUE}, |
| 10 | comment=TRUE, |
| 11 | fmtWdth=16, |
| 12 | indentSize=4, |
| 13 | lineSize=100, |
| 14 | tabForm=TRUE |
| 15 | }; |
| 16 | RUN; |
| 17 | QUIT; |