Si le code généré est destiné à être exécuté dans un environnement tiers ayant des restrictions strictes sur les caractères autorisés, vous devez activer le paramètre encodeName. Lorsqu'il est défini sur vrai, ce paramètre s'assure que les noms de 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. complexes dans la table de sortie sont convertis dans un format sûr, prévenant ainsi les erreurs de syntaxe lors du déploiement en aval.
Comment anticiper les problèmes de compatibilité des noms de variables lors de l'exportation du code ?
Exemples pour l'action dnnCode
Génération de code de base
Génère un simple code DATA step pour un modèle existant et sauvegarde les instructions textuelles dans une nouvelle table CAS.
Génération avancée avec formatage pour les humains
Génération de code avec inclusion de commentaires explicatifs, paramétrage fin de l'indentation, et définition d'un ID de modèle spécifique pour une meilleure traçabilité.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Quels sont les paramètres incontournables pour garantir la génération du code de scoring ?
Existe-t-il des leviers pour optimiser l'empreinte mémoire lors de la génération du code sur de très gros modèles ?
Puis-je isoler une version spécifique de mon modèle directement lors de l'appel à dnnCode ?
Comment l'action dnnCode transforme-t-elle mes modèles de Deep Learning en valeur actionnable en production ?
Quelles sont les meilleures pratiques pour formater et sauvegarder le code généré afin de l'intégrer à mes pipelines de données ?