L'action graphMultiReg permet de résoudre simultanément plusieurs problèmes de régression linéaire qui partagent une structure commune. D'un point de vue métier, cela est crucial lorsque les tâches sont corrélées, comme pour la prévision des ventes de plusieurs catégories de produits interdépendants. Contrairement à des modèles indépendants, l'apprentissage multitâche améliore la robustesse des estimations en partageant l'information entre les tâches, ce qui est particulièrement bénéfique lorsque certaines 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. disposent de peu d'observations historiques.
Pourquoi opter pour l'apprentissage multitâche avec graphMultiReg au lieu de régressions isolées ?
Exemples pour l'action graphMultiReg
Apprentissage multitâche de base (Cluster)
Exécute une régression multitâche où toutes les cibles sont supposées liées entre elles (structure par défaut CLUSTER).
Régression multitâche avec pénalité de chaîne (FUSE) et Scoring
Utilise une structure de graphe de type 'FUSE' (chaque tâche est liée à la suivante) avec des paramètres de régularisation spécifiques et génère une table de scores.