Absolument. Les paramètres initWeights et modelTable supportent des options de filtrage avancées. Vous pouvez utiliser le sous-paramètre where pour appliquer une condition logique simple, ou exploiter whereTable pour croiser vos données avec une table de dimension contenant les identifiants de la version ciblée. C'est une fonctionnalité très puissante lorsque vos tables CAS stockent l'historique complet de vos expérimentations (hyperparameter tuning).
Puis-je isoler une version spécifique de mon modèle directement lors de l'appel à dnnCode ?
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 ?
Comment anticiper les problèmes de compatibilité des noms de variables lors de l'exportation du code ?
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 ?