Comment configurer l'architecture des tables de sortie pour réussir la sauvegarde de votre modèle CRF ?

Architecture de Persistance CRF

Le processus d'entraînement avec cette action est singulier car il génère une architecture fragmentée. Vous devez obligatoirement déclarer cinq tables en mémoireGemini said
Espace de stockage temporaire (RAM) utilisé par le moteur CAS pour charger et traiter les données à haute vitesse, minimisant les accès disque pour optimiser les performances de SAS Viya.
via le dictionnaire de paramètres model : attr pour recenser les attributs, feature pour les caractéristiques, attrfeature pour la cartographie de liaison, label pour les classes cibles, et template pour la grammaire d'extraction. L'omission d'une seule de ces tables empêchera la persistance complète du réseau et rendra la phase d'inférence (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.) impossible.

Exemples pour l'action crfTrain

Entraînement CRF basique
Schéma conceptuel de l'exemple : Entraînement CRF basique

Découvrez cet exemple pour l'action CAS crfTrain : il initialise un apprentissage supervisé par champs aléatoires conditionnels via un fenêtrage local ([-1,0] à [1,0]) pour extraire les features.

Entraînement CRF avec Optimisation Avancée
Schéma conceptuel de l'exemple : Entraînement CRF avec Optimisation Avancée

Découvrez cet exemple pour l'action CAS crfTrain : il optimise un modèle CRF via LBFGS avec régularisation L2 et contrôle de convergence (fConv), assurant une extraction d'entités stable et performante.