fpca

fPcaScore

##set_fpca

Description

L'action fPcaScore %fPcaScore est le bras droit de l'analyse fonctionnelle. Elle permet d'appliquer 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'Analyse en Composantes Principales Fonctionnelles (FPCAAnalyse en composantes principales fonctionnelle traitant les données comme des fonctions continues. Elle réduit la dimension d'échantillons temporels ou de courbes pour en extraire les tendances.), préalablement sauvegardé sous forme d'analytic storeFormat binaire (ASTORE) sauvegardant l'état d'un modèle de Machine Learning entraîné dans SAS Viya pour permettre son déploiement et son exécution rapide sur de nouvelles données. (astoreFichier binaire compact contenant la logique d'un modèle entraîné (analytique de score). Il permet de déployer et d'exécuter des modèles complexes de manière portable et ultra-rapide dans SAS Viya.) par l'action fPcaAnalyse en composantes principales fonctionnelle traitant les données comme des fonctions continues. Elle réduit la dimension d'échantillons temporels ou de courbes pour en extraire les tendances., à de nouvelles données longitudinales ou de séries chronologiquesUne série chronologique est une suite d'observations numériques ordonnées dans le temps, capturées à intervalles réguliers, pour analyser des tendances, des cycles ou effectuer des prévisions.. En gros, si fPcaAnalyse en composantes principales fonctionnelle traitant les données comme des fonctions continues. Elle réduit la dimension d'échantillons temporels ou de courbes pour en extraire les tendances. a appris à reconnaître la mélodie de vos données, fPcaScore se charge de noter les nouveaux musiciens qui tentent de la jouer. C'est l'outil indispensable pour le déploiement de modèles de machine learningBranche de l'IA utilisant des algorithmes pour apprendre des modèles à partir de données. Il permet d'automatiser des prédictions ou des décisions sans programmation explicite de chaque règle. traitant des courbes ou des fonctions.

Syntaxe Officielle
fpca.fPcaScore /
model={caslib="nom_caslib", name="nom_table_astore"},
table={caslib="nom_caslib", name="nom_table_entree"},
output={casout={name="nom_table_sortie"}, npc=nombre_composantes},
id={"variable_id"},
inputs={"variable_entree"};

Paramètres Clés

Nom du paramètre Description
model Spécifie la table binaire (analytic store) résultant d'un entraînement préalable avec l'action fPca. C'est votre 'cerveau' statistique.
table Désigne la table CAS contenant les nouvelles données à scorer. Elles doivent avoir la même structure que celles utilisées lors de l'apprentissage.
output Définit la table de sortie via le sous-paramètre 'casout' et permet de spécifier le nombre de composantes principales (npc) à inclure dans les scores. Par défaut, SAS en garde 4.
id Spécifie les variables qui servent d'identifiants de ligne afin de pouvoir lier les scores aux individus originaux.
inputs Liste les variables à utiliser pour le scoring. C'est l'équivalent du paramètre 'input' dans d'autres actions.

Préparation des données

Préparation du modèle et des données de test

Pour utiliser fPcaScore, nous devons d'abord créer un modèle FPCA avec l'action fPca et générer des données de test.

1PROC CAS;
2 /* 1. Création de données simulées pour l'entraînement */
3 DATA step1_train;
4 DO id = 1 to 50;
5 DO t = 1 to 10;
6 y = sin(t/2) + rannor(1)*0.1;
7 OUTPUT;
8 END;
9 END;
10 RUN;
11 upload TABLE="step1_train";
12 /* 2. Entraînement et création de l'Analytic Store (Astore) */
13 LOADACTIONSET "fpca";
14 fpca.fPca /
15 TABLE="step1_train",
16 id="id",
17 time="t",
18 target="y",
19 saveState={name="my_fpca_model", replace=true};
20 /* 3. Création de nouvelles données à scorer */
21 DATA step2_new;
22 DO id = 101 to 110;
23 DO t = 1 to 10;
24 y = sin(t/2) + rannor(2)*0.1;
25 OUTPUT;
26 END;
27 END;
28 RUN;
29 upload TABLE="step2_new";
30RUN;

Exemples d'utilisation

Scoring de base

Application directe du modèle sauvegardé sur de nouvelles données pour obtenir les scores par défaut.

1PROC CAS; fpca.fPcaScore / model="my_fpca_model", TABLE="step2_new", OUTPUT={casout="scores_simple"}; RUN; TABLE.fetch / TABLE="scores_simple"; RUN;
Résultat Attendu :
Une table contenant les identifiants et les 4 premières composantes principales calculées pour chaque individu.
Scoring avancé avec sélection de composantes et IDs

Dans cet exemple, nous précisons le nombre de composantes à 2 et nous nous assurons que l'identifiant 'id' est bien conservé dans la sortie.

1PROC CAS; fpca.fPcaScore / model={name="my_fpca_model"}, TABLE={name="step2_new"}, id={"id"}, OUTPUT={casout={name="scores_avances", replace=true}, npc=2}, display={names={"ScoreSummary"}}; RUN; TABLE.fetch / TABLE="scores_avances"; RUN;
Résultat Attendu :
Une table de sortie avec les colonnes 'id', '_Score1_' et '_Score2_', ainsi qu'un affichage du résumé du scoring dans SAS Studio.
Sommaire
FAQ
Comment le paramètre model garantit-il l'intégrité de vos prédictions de données fonctionnelles ? Pourquoi l'action fPcaScore est-elle indispensable pour rentabiliser vos modèles de Machine Learning fonctionnels ? Quelle est la meilleure pratique pour lier les scores calculés aux données sources via le paramètre id ? Quel est le secret pour contrôler la finesse des résultats via le paramètre npc ? Comment optimiser le traitement de volumes massifs de données avec l'architecture distribuée de fPcaScore ?