Action CAS annCode : Générer Code de Scoring DATA Step

Description

Génère un code de 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. pour l'étape DATA à partir d'un 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). de réseau de neuronesUn réseau de neurones est un modèle d'IA bio-inspiré composé de couches de nœuds interconnectés, capable d'apprendre des relations complexes dans les données pour prédire ou classifier avec précision. artificiel. L'action est extrêmement utile pour déployer et industrialiser votre 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). dans des environnements de production SAS classiques sans avoir besoin de charger l'intégralité du moteur analytique 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.. Prêt à faire chauffer les neurones (artificiels, bien sûr) ?

Syntaxe Officielle

                                proc cas;

  neuralNet.annCode <result=results> <status=rc> /

    code={casOut={caslib="string", compress=TRUE | FALSE, indexVars={"variable-name-1" <, "variable-name-2", ...>}, label="string", lifetime=64-bit-integer, maxMemSize=64-bit-integer, memoryFormat="DVR" | "INHERIT" | "STANDARD", name="table-name", promote=TRUE | FALSE, replace=TRUE | FALSE, replication=integer, tableRedistUpPolicy="DEFER" | "NOREDIST" | "REBALANCE", threadBlockSize=64-bit-integer, timeStamp="string", where={"string-1" <, "string-2", ...>}}, comment=TRUE | FALSE, fmtWdth=integer, indentSize=integer, labelId=integer, lineSize=integer, noTrim=TRUE | FALSE, tabForm=TRUE | FALSE},

    listNode="ALL" | "HIDDEN" | "INPUT" | "OUTPUT",

    modelId="string",

    modelTable={name="table-name", caslib="string", computedOnDemand=TRUE | FALSE, computedVars={{format="string", formattedLength=integer, label="string", name="variable-name", nfd=integer, nfl=integer}, {...}}, computedVarsProgram="string", dataSourceOptions={key-1=any-list-or-data-type-1 <, key-2=any-list-or-data-type-2, ...>}, importOptions={fileType="ANY", fileType-specific-parameters}, singlePass=TRUE | FALSE, vars={{...}}, where="where-expression", whereTable={...}};

run;

quit;

Paramètres Clés

Nom du paramètre	Description
modelTable	Spécifie la table contenant le modèle de réseau de neurones artificiel préalablement entraîné. C'est le seul paramètre requis de l'action.
code	Demande à l'action de produire le code de score SAS. Il inclut la déclaration de la table de sortie (casOut) pour stocker le code généré, ainsi que des options de formatage (indentation, commentaires).
listNode	Spécifie les nœuds (neurones) à inclure dans le tableau de sortie. Par défaut, seuls les nœuds cachés ('HIDDEN') sont inclus. Peut prendre les valeurs 'ALL', 'HIDDEN', 'INPUT', ou 'OUTPUT'.
modelId	Définit le nom de la variable d'identification du modèle qui sera insérée dans le code de l'étape DATA généré. Par défaut, c'est la cible avec le préfixe 'ANN_'.

Préparation des données

Préparation des données et entraînement du modèle

Pour utiliser l'action annCode, il faut d'abord avoir un modèle entraîné. Voici comment charger les données Iris et entraîner un réseau de neurones avec l'action annTrain.

1	PROC CAS;
2	SESSION casauto;
3	TABLE.loadTable / path="iris.sashdat", caslib="samples", casout={name="iris", replace=true};
4	neuralNet.annTrain /
5	TABLE={name="iris"}
6	inputs={"SepalLength", "SepalWidth", "PetalLength", "PetalWidth"}
7	target="Species"
8	hidden={5}
9	casOut={name="iris_ann_model", replace=true};
10	RUN;
11	QUIT;

Exemples d'utilisation

Génération de code de base

Génère simplement le code de scoring à partir du modèle existant.

1	PROC CAS;
2	neuralNet.annCode /
3	modelTable={name="iris_ann_model"}
4	code={casOut={name="iris_score_code", replace=true}};
5	RUN;
6	QUIT;

Résultat Attendu :

                                                    Crée une table en mémoire nommée 'iris_score_code' contenant les lignes de code SAS (DATA Step) nécessaires pour scorer de nouvelles données avec le modèle.                                                

Génération de code personnalisée et détaillée

Génère un code de scoring très détaillé, incluant des commentaires, ajustant l'indentation, et demandant la sortie de tous les nœuds du réseau.

1	PROC CAS;
2	neuralNet.annCode /
3	modelTable={name="iris_ann_model"}
4	listNode="ALL"
5	modelId="Modele_Iris_V1"
6	code={
7	casOut={name="iris_score_code_detail", replace=true},
8	comment=true,
9	indentSize=4,
10	lineSize=120,
11	tabForm=false
12	};
13	RUN;
14	QUIT;

Résultat Attendu :

                                                    Crée la table 'iris_score_code_detail' contenant un code source DATA Step très propre (indenté à 4 espaces, commenté), exposant explicitement les calculs des couches d'entrée, cachées et de sortie.                                                