L'action `annCode` génère un code SAS DATA step à partir d'un modèle de réseau de neurones artificiels entraîné. Ce code peut ensuite être utilisé pour scorer de nouvelles données, c'est-à-dire pour appliquer le modèle et obtenir des prédictions. C'est une étape cruciale pour déployer un modèle en production ou pour l'intégrer dans d'autres processus SAS.
| Paramètre | Description |
|---|---|
| code | Spécifie les options pour la génération du code de scoring SAS DATA step. Ce paramètre est essentiel pour obtenir le code exécutable. |
| listNode | Définit quels types de nœuds (entrée, cachés, sortie, ou tous) seront inclus dans la table de sortie scorée. Utile pour l'auto-encodage afin de réduire la dimensionnalité. |
| modelId | Assigne un nom de variable pour l'ID du modèle dans le code DATA step généré. Par défaut, le nom est préfixé par 'ANN_' suivi du nom de la variable cible. |
| modelTable | Spécifie la table CAS en mémoire qui contient le modèle de réseau de neurones à partir duquel le code de scoring sera généré. Ce paramètre est obligatoire. |
Ce code télécharge un fichier CSV contenant des données sur des prêts immobiliers (Home Equity) et le charge dans une table CAS nommée `HMEQ`. Cette table sera utilisée pour entraîner un modèle de réseau de neurones.
1 PROC casutil; 2 load file '%sas_sashome%/dmcas_packages/samples/hmeq.csv' 3 casout={name='hmeq', caslib='casuser', replace=true}; 4 QUIT;
Cet exemple entraîne d'abord un modèle de réseau de neurones simple sur la table `hmeq` avec la procédure `annTrain`. Ensuite, il utilise l'action `annCode` pour générer le code de scoring DATA step correspondant et le stocker dans une table CAS nommée `score_code`.
| 1 | PROC CAS; |
| 2 | neuralNet.annTrain / |
| 3 | TABLE={name='hmeq'}, |
| 4 | inputs={'LOAN', 'MORTDUE', 'VALUE', 'YOJ', 'DEROG', 'DELINQ', 'CLAGE', 'NINQ', 'CLNO', 'DEBTINC'}, |
| 5 | target='BAD', |
| 6 | modelTable={name='nn_model', caslib='casuser', replace=true}; |
| 7 | neuralNet.annCode / |
| 8 | modelTable={name='nn_model', caslib='casuser'}, |
| 9 | code={casOut={name='score_code', caslib='casuser', replace=true}}; |
| 10 | QUIT; |
Cet exemple, après avoir entraîné un modèle, génère le code de scoring en spécifiant un `modelId` personnalisé. Cela permet de mieux identifier l'origine des prédictions dans le code généré, ce qui est utile pour la traçabilité et la gestion de plusieurs modèles.
| 1 | PROC CAS; |
| 2 | neuralNet.annTrain / |
| 3 | TABLE={name='hmeq'}, |
| 4 | inputs={'LOAN', 'MORTDUE', 'VALUE', 'YOJ'}, |
| 5 | target='BAD', |
| 6 | modelTable={name='nn_model_detailed', caslib='casuser', replace=true}; |
| 7 | neuralNet.annCode / |
| 8 | modelTable={name='nn_model_detailed', caslib='casuser'}, |
| 9 | modelId='MyFirstNNModel', |
| 10 | code={casOut={name='score_code_detailed', caslib='casuser', replace=true}}; |
| 11 | QUIT; |