Absolument, et c'est une excellente pratique pour optimiser les performances de vos plans de données continus. L'action propose le paramètre restore, qui permet de charger directement les propriétés 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). et ses estimations finales à partir d'un magasin d'articles préalablement sauvegardé.
Cela évite de réajuster le 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). à chaque itération. Pour aller plus loin dans la personnalisation, vous pouvez utiliser le paramètre whereTable afin d'appliquer des filtres dynamiques lors de la restauration. Cela permet de simuler des scénarios sur des sous-segments spécifiques de votre portefeuille sans avoir à altérer l'objet binaire d'origine.
