dtreeExportModel
Description
Prêt à expédier votre magnifique arbre de décision dans le monde réel ? L'action dtreeExportModel emballe soigneusement 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). fraîchement entraîné dans une table analytique ultra-portable. Idéal pour le 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. à la volée, sans prise de tête, que ce soit pour un simple arbre, une forêt ou du gradient boostingMéthode d'apprentissage itérative créant une suite d'arbres de décision. Chaque nouvel arbre corrige les erreurs de prédiction des précédents pour minimiser globalement la fonction de perte. !
Paramètres Clés
| Nom du paramètre | Description |
|---|---|
| casOut | Spécifie les paramètres de la table de sortie qui va stocker le modèle aStore généré. C'est ici que la magie de l'export opère ! |
| modelTable | Indique la table d'entrée contenant votre modèle pré-entraîné (généralement issue de dtreeTrain, forestTrain ou gbtreeTrain). |
| vote | Spécifie la stratégie de vote pour la classification. Vous avez le choix entre 'MAJORITY' (vote majoritaire, par défaut) ou 'PROB' (probabilité moyenne). Ce choix influence le code de scoring généré. |
Préparation des données
Création d'un jeu de données et d'un modèle d'arbre
Pour exporter un modèle, il nous en faut d'abord un ! Créons un petit jeu de données sur des fleurs et entraînons un arbre de décision simple pour obtenir notre table de modèle.
| 1 | PROC CAS; |
| 2 | /* Chargement des données d'exemple Iris */ |
| 3 | TABLE.loadTable / caslib="SystemData" path="iris.sashdat" casout={name="iris", replace=true}; |
| 4 | /* Entraînement d'un arbre de décision simple */ |
| 5 | decisionTree.dtreeTrain / |
| 6 | TABLE={name="iris"} |
| 7 | target="Species" |
| 8 | inputs={"SepalLength", "SepalWidth", "PetalLength", "PetalWidth"} |
| 9 | casOut={name="mon_modele_arbre", replace=true}; |
| 10 | QUIT; |
Exemples d'utilisation
Export simple d'un modèle d'arbre
Voici comment exporter notre modèle 'mon_modele_arbre' vers une table aStore nommée 'mon_astore_arbre' avec les paramètres par défaut.
| 1 | PROC CAS; |
| 2 | decisionTree.dtreeExportModel / |
| 3 | modelTable={name="mon_modele_arbre"} |
| 4 | casOut={name="mon_astore_arbre", replace=true}; |
| 5 | QUIT; |
Résultat Attendu :
Export avancé avec stratégie de vote probabiliste
Dans cet exemple, nous exportons le modèle en précisant une stratégie de vote basée sur les probabilités ('PROB') plutôt que sur la majorité. Nous ajustons également quelques options de la table de sortie.
| 1 | PROC CAS; |
| 2 | decisionTree.dtreeExportModel STATUS=rc / |
| 3 | modelTable={name="mon_modele_arbre"} |
| 4 | casOut={ |
| 5 | name="mon_astore_arbre_prob", |
| 6 | replace=true, |
| 7 | label="Modèle aStore avec vote PROB" |
| 8 | } |
| 9 | vote="PROB"; |
| 10 | PRINT "Status de l'export : " rc.statusCode; |
| 11 | QUIT; |