Par défaut, l'architecture analytique opte pour l'approche AUTOMATIC, qui sélectionne intelligemment l'algorithme le plus adapté à la topologie de vos données. Pour un graphe orienté, le système utilise la recherche en profondeur. Cependant, vous pouvez forcer la main au moteur via le paramètre algorithm. Les options expertes incluent AFFOREST, conçu pour une scalabilité extrême sur les très larges graphes non orientés, ou encore UNIONFIND, qui excelle pour l'unification rapide de gros volumes de données structurellement déconnectées.
Quels sont les algorithmes caches derriere la detection de composantes et comment les forcer ?
Maîtrise des algorithmes de connectivité CAS
Exemples pour l'action connectedComponents
Détection basique des composants
Cet exemple segmente un graphe non orienté en sous-graphes isolés via l'action connectedComponents. Il identifie les structures de parenté topologique pour partitionner les nœuds en classes d'équivalence.
Analyse avancée avec algorithme UNIONFIND et statistiques
Cet exemple maximise la traçabilité de l'algorithme Union-Find via un logging agressif et une extraction exhaustive des métadonnées structurelles dans trois tables CAS distinctes.
Conseil de l'Expert
Pour les graphes massifs dépassant le milliard de nœuds, privilégiez systématiquement AFFOREST. Contrairement au UNIONFIND classique, il utilise une technique de "sampling" et de compression de raccourcis (shortcut) qui réduit drastiquement les communications entre les workers du Cloud Analytic Services (CAS).
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Comment l'action connectedComponents peut-elle revolutionner l'analyse de vos reseaux metier sous SAS Viya ?
Graphe oriente ou non oriente : quel impact direct sur vos resultats de segmentation ?
Comment traiter des milliards de noeuds et de liens sans saturer votre infrastructure Big Data ?
Quels secrets recelent les tables de sortie generees et comment les exploiter en CASL ?