L'action gpReg, intégrée à l'ensemble d'actions Nonparametric Bayes de SAS Viya, permet d'entraîner des modèles de régression par processus gaussiens (GPR). Contrairement aux méthodes de régression classiques, la GPR ne se contente pas de fournir une prédiction ponctuelle ; elle fournit une distribution de probabilité complète. Cela signifie que pour chaque prédiction, vous obtenez une mesure précise de l'incertitude (intervalle de confiance), ce qui est vital pour la prise de décision critique en entreprise, comme la gestion des risques financiers ou la maintenance prévisionnelle industrielle.
Pourquoi l'action gpReg est-elle la solution ultime pour les prédictions avec estimation d'incertitude ?
Exemples pour l'action gpReg
Entraînement basique d'un modèle de régression par processus gaussien
Un exemple minimaliste pour entraîner un modèle sur nos données générées en utilisant le noyau RBF par défaut. Simple et efficace.
Régression GP avec ARD, sauvegarde du modèle et optimisation avancée
Ici, on sort l'artillerie lourde. On utilise la détermination automatique de pertinence (ARD), on modifie le noyau, on fixe le nombre de points d'induction, et on sauvegarde l'état du modèle analytique pour le réutiliser plus tard. Le tout en une seule ligne compacte pour tester vos réflexes visuels.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Comment déployer un modèle gpReg en production au sein d'une architecture microservices ?
Quel est l'avantage business d'activer l'ARD (Automatic Relevance Determination) dans vos modèles ?
Comment maximiser la précision du modèle en choisissant le bon noyau (Kernel) ?
Comment gpReg parvient-elle à traiter des millions de lignes sans saturer la mémoire de CAS ?
Quels sont les solveurs disponibles pour optimiser l'apprentissage et quand les utiliser ?