crfTrain

Pourquoi l'action crfTrain est-elle incontournable pour l'extraction de concepts textuels dans SAS Viya ?

Maîtrise du Contextual Labeling avec crfTrain

L'action crfTrain est le moteur d'apprentissage principal de SAS Cloud Analytic ServicesMoteur analytique distribué et en mémoire (in-memory) au cœur de SAS Viya. Il assure le traitement des données et l'exécution des modèles avec une très haute performance. dédié aux champs aléatoires conditionnelsModèle statistique (CRF) prédisant des séquences d'étiquettes en tenant compte du contexte global. Idéal en NLP pour l'extraction d'entités nommées ou la segmentation de texte structuré. (Conditional Random Fields). Elle est indispensable pour résoudre des problèmes analytiques de classification séquentielle, comme l'extraction d'entités nommées ou l'étiquetage morphosyntaxiqueAnalyse combinée de la structure des mots (morphologie) et de leur rôle dans la phrase (syntaxe). Essentiel en NLP pour l'étiquetage grammatical (POS tagging) et la compréhension du sens. (Part-Of-Speech taggingProcessus de NLP (étiquetage morphosyntaxique) qui attribue une catégorie grammaticale (nom, verbe, adjectif, etc.) à chaque mot d'un texte en fonction de sa définition et de son contexte.) sur de vastes corpus documentaires. Contrairement aux approches par règles déterministes, ce 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). probabiliste capture le contexte global des séquences de mots, offrant ainsi une précision métier supérieure pour valoriser vos données non structurées.

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.

Conseil de l'Expert
Pour optimiser la précision, ne vous contentez pas des tokens bruts. Enrichissez votre table d'entrée avec des attributs morphologiques (préfixes/suffixes, casse, présence de chiffres) via l'action tpParse. Le CRF excelle lorsqu'il peut corréler ces "features" avec les étiquettes cibles.

Cette réponse vous a-t-elle aidé ?

Utilisateur FAQ SAS Viya
Vos votes aident à améliorer notre base de connaissances.

Action CAS associée

conditionalRandomFields

crfTrain
À lire aussi...
LBFGS, SGD ou ADAM : quel algorithme de machine learning choisir pour booster votre optimisation ? LBFGS, SGD ou ADAM : quel algorithme de machine learning choisir pour booster votre optimisation ? Target et Template : comment paramétrer correctement le contexte pour l'algorithme d'apprentissage ? Target et Template : comment paramétrer correctement le contexte pour l'algorithme d'apprentissage ? Comment configurer l'architecture des tables de sortie pour réussir la sauvegarde de votre modèle CRF ? Comment configurer l'architecture des tables de sortie pour réussir la sauvegarde de votre modèle CRF ? Comment maîtriser le surapprentissage de vos réseaux CRF grâce aux paramètres de validation intégrés ? Comment maîtriser le surapprentissage de vos réseaux CRF grâce aux paramètres de validation intégrés ?