Pour éviter le surapprentissage et identifier les variablesColonnes d'une table SAS contenant des données spécifiques (numériques ou caractères). Elles possèdent des attributs comme le nom, le type, la longueur, l'étiquette et le format d'affichage. les plus impactantes, l'action intègre un puissant moteur de sélection via le paramètre selection. Au-delà des méthodes classiques de type ascendante (FORWARD), descendante (BACKWARD) ou pas-à-pas (STEPWISE), SAS Viya propose des méthodes de régression régularisée modernes et adaptées au Big Data. Vous pouvez par exemple utiliser les algorithmes LASSO, ELASTICNET, SCAD ou MCP. Les critères d'arrêt et de sélection du meilleur 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). sont hautement personnalisables. Une configuration typique pour une sélection robuste serait : selection={method='LASSO', choose='SBC', stop='AICC'}.
Quelles sont les methodes de selection de variables disponibles pour optimiser mon modele de regression ?
Optimisation via PROC REGSELECT
Exemples pour l'action countregFitModel
Régression de Poisson basique
Une estimation simple pour comprendre l'impact de l'expérience sur le nombre d'appels.
Modèle Binomial Négatif avec Sélection Stepwise
Utilisation de la sélection pas à pas pour trouver le meilleur modèle tout en gérant la sur-dispersion potentielle.
Analyse Bayésienne (MCMC)
Parce que parfois, on veut voir la 'vraie' forme de l'incertitude avec 10 000 échantillons.
Conseil de l'Expert
Dans l'écosystème Viya 4, l'optimisation ne repose plus seulement sur la significativité statistique, mais sur la capacité de généralisation du modèle face à des volumes de données massifs.
Pour vos jeux de données à très haute dimensionnalité (plus de variables que d'observations), privilégiez la méthode LASSO combinée au critère SBC (Schwarz Bayesian Criterion). Cela permet non seulement de régulariser les coefficients pour éviter l'overfitting, mais aussi d'effectuer une sélection automatique en forçant certains coefficients à zéro.
Pour vos jeux de données à très haute dimensionnalité (plus de variables que d'observations), privilégiez la méthode LASSO combinée au critère SBC (Schwarz Bayesian Criterion). Cela permet non seulement de régulariser les coefficients pour éviter l'overfitting, mais aussi d'effectuer une sélection automatique en forçant certains coefficients à zéro.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Comment l'action countregFitModel permet-elle d'analyser les donnees de comptage et quels sont les cas d'usage metier ?
Est-il possible de realiser une inférence bayesienne et de personnaliser l'echantillonneur ?
Comment gerer efficacement l'exces de zeros dans mes donnees historiques avec cette action ?
Comment extraire les probabilites predictives et preparer le modele pour le scoring en production ?