Action dtreeScore SAS Viya : Scoring d'Arbres de Décision CAS

Description

L'action permet d'évaluer (scorerAction d'appliquer un modèle statistique à de nouvelles données pour calculer une probabilité ou une valeur prédite. C’est l’étape de déploiement transformant les entrées en prédictions actionnables.) une table de données en utilisant 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). d'arbre de décision préalablement généré. Concrètement, elle prédit le futur (ou presque 🔮) en appliquant les règles de votre arbre de décision sur de nouvelles données. Elle crée en sortie une table riche contenant les prédictions, les probabilités associées, et peut même inclure les détails du chemin d'évaluation () pour vous aider à comprendre précisément le 'pourquoi' d'une prédiction à travers les branches de l'arbre.

Syntaxe Officielle

                                proc cas;

  decisionTree.dtreeScore /

    modelTable={name="nom_modele"}

    table={name="table_a_scorer"}

    casOut={name="table_resultat", replace=True}

    copyVars={"id", "cible"}

    assess=True

    encodeName=True;

run;

quit;

Paramètres Clés

Nom du paramètre	Description
modelTable	Paramètre requis. Spécifie la table contenant le modèle de l'arbre de décision .
table	Paramètre requis. La table d'entrée contenant les données que vous souhaitez scorer .
casOut	La table de sortie dans laquelle enregistrer les résultats du scoring . Si ce paramètre est omis, seule une évaluation globale (comme l'erreur quadratique moyenne ou le taux de classification) est calculée.
copyVars	Liste des variables à copier directement de la table d'entrée vers la table de sortie . Idéal pour conserver des identifiants métier ou des dates de référence !
assess	Si défini sur True, les probabilités prédites sont ajoutées à la table de résultat pour les niveaux d'événements . Pratique pour l'action assess future.
assessOneRow	Si défini sur True, ajoute toutes les probabilités d'événements dans des colonnes séparées avec le préfixe '_DT_P_' .
encodeName	Détermine s'il faut encoder proprement les noms de variables des probabilités prédites (par exemple utiliser le préfixe propre 'P_' au lieu de '_DT_P_') .
path	Spécifie si les détails de parcours (le chemin exact suivi dans l'arbre par l'algorithme) doivent être inclus dans la table scorée .
target	Variable cible pour l'évaluation du jeu de données . Facultatif si le nom est identique à celui utilisé lors de l'entraînement de l'arbre.
impute	Définit comment traiter les valeurs non manquantes de la variable cible. Si True, elles sont considérées exactes et utilisées comme valeurs prédites .
seed	Graine pour le générateur de nombres aléatoires . Utile si vous avez besoin d'une répétabilité absolue (0 par défaut, basé sur l'horloge système).

Préparation des données

Création de données et entraînement initial du modèle

Pour scorer un arbre, il nous faut d'abord des données et un arbre (une logique mathématique implacable 🌲). Voici de quoi créer une table et entraîner un petit modèle de test avec l'action %%dtreeTrain%%.

1	PROC CAS;
2	SESSION casauto;
3	/* Simulation d'un jeu de donnees classique */
4	TABLE.loadTable / path="iris.sashdat", caslib="casuser", casOut={name="iris", replace=True};
5	/* Entrainement d'un modele pour l'exemple */
6	decisionTree.dtreeTrain /
7	TABLE={name="iris"}
8	target="Species"
9	inputs={"SepalLength", "SepalWidth", "PetalLength", "PetalWidth"}
10	casOut={name="modele_iris", replace=True};
11	RUN;
12	QUIT;

Exemples d'utilisation

Scoring basique d'un modèle d'arbre

Ici, on applique notre modèle fraîchement généré sur nos données d'origine pour obtenir de simples prédictions dans une nouvelle table de sortie.

1	PROC CAS;
2	decisionTree.dtreeScore /
3	TABLE={name="iris"}
4	modelTable={name="modele_iris"}
5	casOut={name="iris_score", replace=True}
6	copyVars={"Species"};
7	RUN;
8	QUIT;

Résultat Attendu :

                                                    Une nouvelle table `iris_score` est créée dans CAS. Elle contient la prédiction de la variable cible pour chaque observation ainsi que la véritable variable `Species` copiée pour une comparaison immédiate.                                                

Scoring complet avec probabilités, encodage parfait et parcours d'arbre

Sortons l'artillerie lourde 🚀 ! On score la table en demandant explicitement les probabilités (%%assess%% et %%assessOneRow%%), en nommant proprement les colonnes avec un préfixe lisible 'P_' (%%encodeName%%), et en gardant la trace complète du chemin emprunté dans l'arbre pour assurer l'explicabilité de la décision (%%path%%).

1	PROC CAS;
2	decisionTree.dtreeScore /
3	TABLE={name="iris"}
4	modelTable={name="modele_iris"}
5	casOut={name="iris_score_complet", replace=True}
6	copyVars={"Species"}
7	assess=True
8	assessOneRow=True
9	encodeName=True
10	path=True;
11	RUN;
12	QUIT;

Résultat Attendu :

                                                    Une table `iris_score_complet` extrêmement détaillée contenant non seulement les prédictions finales, mais aussi les probabilités formatées et explicites (ex: P_Species_Setosa) ainsi que des colonnes de règles traçant le chemin détaillé du nœud racine jusqu'à la feuille de décision.                                                

dtreeScore

Description

Paramètres Clés

Préparation des données

Création de données et entraînement initial du modèle

Exemples d'utilisation

Scoring basique d'un modèle d'arbre

Résultat Attendu :

Scoring complet avec probabilités, encodage parfait et parcours d'arbre

Résultat Attendu :

Sommaire

FAQ