?> annCode - WeAreCAS
neuralNet

annCode

#set_neuralnet

Beschreibung

Erzeugt DATA-Step-Scoring-Code aus einem künstlichen neuronalen Netzwerkmodell. Diese Aktion ist entscheidend für die Operationalisierung von Modellen, da sie es ermöglicht, das trainierte Modell in eine portable und wiederverwendbare Form zu konvertieren, die in verschiedenen SAS-Umgebungen zur Bewertung neuer Daten ohne die Notwendigkeit der CAS-Umgebung ausgeführt werden kann.

neuralNet.annCode <result=results> <status=rc> / code={casOut={caslib="string", compress=TRUE | FALSE, indexVars={"variable-name-1" <, "variable-name-2", ...>}, label="string", lifetime=64-bit-integer, maxMemSize=64-bit-integer, memoryFormat="DVR" | "INHERIT" | "STANDARD", name="table-name", promote=TRUE | FALSE, replace=TRUE | FALSE, replication=integer, tableRedistUpPolicy="DEFER" | "NOREDIST" | "REBALANCE", threadBlockSize=64-bit-integer, timeStamp="string", where={"string-1" <, "string-2", ...>}}, comment=TRUE | FALSE, fmtWdth=integer, indentSize=integer, labelId=integer, lineSize=integer, noTrim=TRUE | FALSE, tabForm=TRUE | FALSE}, listNode="ALL" | "HIDDEN" | "INPUT" | "OUTPUT", modelId="string", modelTable={caslib="string", computedOnDemand=TRUE | FALSE, computedVars={{format="string", formattedLength=integer, label="string", name="variable-name", nfd=integer, nfl=integer}, {...}}, computedVarsProgram="string", dataSourceOptions={key-1=any-list-or-data-type-1 <, key-2=any-list-or-data-type-2, ...>}, importOptions={fileType="ANY" | "AUDIO" | "AUTO" | "BASESAS" | "CSV" | "DOCUMENT" | "DTA" | "ESP" | "EXCEL" | "FMT" | "HDAT" | "IMAGE" | "JMP" | "LASR" | "PARQUET" | "SPSS" | "VIDEO" | "XLS", fileType-specific-parameters}, name="table-name", singlePass=TRUE | FALSE, vars={{format="string", formattedLength=integer, label="string", name="variable-name", nfd=integer, nfl=integer}, {...}}, where="where-expression", whereTable={casLib="string", dataSourceOptions={adls_noreq-parameters | bigquery-parameters | cas_noreq-parameters | clouddex-parameters | db2-parameters | dnfs-parameters | esp-parameters | fedsvr-parameters | gcs_noreq-parameters | hadoop-parameters | hana-parameters | impala-parameters | informix-parameters | jdbc-parameters | mongodb-parameters | mysql-parameters | odbc-parameters | oracle-parameters | path-parameters | postgres-parameters | redshift-parameters | s3-parameters | sapiq-parameters | sforce-parameters | singlestore_standard-parameters | snowflake-parameters | spark-parameters | spde-parameters | sqlserver-parameters | ss_noreq-parameters | teradata-parameters | vertica-parameters | yellowbrick-parameters}, importOptions={fileType="ANY" | "AUDIO" | "AUTO" | "BASESAS" | "CSV" | "DELIMITED" | "DOCUMENT" | "DTA" | "ESP" | "EXCEL" | "FMT" | "HDAT" | "IMAGE" | "JMP" | "LASR" | "PARQUET" | "SOUND" | "SPSS" | "VIDEO" | "XLS", fileType-specific-parameters}, name="table-name", vars={{format="string", formattedLength=integer, label="string", name="variable-name", nfd=integer, nfl=integer}, {...}}, where="where-expression"}}, ;
Einstellungen
ParameterBeschreibung
codeFordert an, dass die Aktion SAS-Scoring-Code erzeugt. Geben Sie zusätzliche Parameter an.
listNodeGibt die Knoten an, die in die bewertete Ausgabetabelle aufgenommen werden sollen. Wenn die Auto-Kodierung von Eingabeknoten angefordert wird, ist der Standardwert HIDDEN. Dieser Wert ist besonders nützlich, wenn die Auto-Kodierung zur Reduzierung der Dimension der Eingabeknoten angewendet wird. Durch die Wiederverwendung der Knotenausgabewerte können Algorithmen des maschinellen Lernens wie neuronale Netze, Clustering, Entscheidungsbäume und Wälder die neu kodierten Vektoren als Eingabe verwenden.
modelIdGibt einen Modell-ID-Variablennamen an, der im generierten DATA-Step-Scoring-Code enthalten ist. Standardmäßig ist dieser Variablenname der Name der Zielvariable mit dem Präfix ANN_.
modelTableGibt die Tabelle an, die das künstliche neuronale Netzwerkmodell enthält. Sie können dieses Modell verwenden, um eine Tabelle zu bewerten oder SAS-Scoring-Code zu generieren.
Datenaufbereitung
Datenerstellung

Zuerst erstellen wir eine Beispieltabelle 'my_ann_model' in CAS, die ein trainiertes neuronales Netzwerkmodell enthält. Diese Tabelle wird als Eingabe für die Aktion `annCode` verwendet. Beachten Sie, dass diese Tabelle normalerweise das Ergebnis einer `neuralNet.annTrain`-Aktion ist.

proc cas; data casuser.my_ann_model; length _model_ 8; _model_ = 1; run; quit;

Beispiele

Dieses Beispiel zeigt, wie man mit der Aktion `annCode` DATA-Step-Code aus einer Modell-Tabelle generiert. Der generierte Code wird in einer CAS-Ausgabetabelle namens 'my_score_code' gespeichert.

SAS® / CAS-Code
Kopiert!
1PROC CAS; ACTION neuralNet.annCode / modelTable={name='my_ann_model'} code={casOut={name='my_score_code', replace=true}}; RUN; QUIT;
Ergebnis :
Die Aktion generiert eine CAS-Tabelle 'my_score_code', die den DATA-Step-Scoring-Code enthält. Eine Bestätigungsmeldung wird im Protokoll angezeigt.

Dieses Beispiel generiert DATA-Step-Code aus einer Modell-Tabelle und passt die Ausgabe an. Es verwendet den Parameter `code`, um den Namen der Ausgabetabelle ('my_detailed_score_code') anzugeben, Kommentare zu deaktivieren und die Zeilengröße auf 120 Zeichen festzulegen.

SAS® / CAS-Code
Kopiert!
1PROC CAS; ACTION neuralNet.annCode / modelTable={name='my_ann_model'} code={casOut={name='my_detailed_score_code', replace=true}, comment=false, lineSize=120}; RUN; QUIT;
Ergebnis :
Eine CAS-Tabelle namens 'my_detailed_score_code' wird erstellt, die den Scoring-Code ohne Kommentare und mit einer maximalen Zeilenlänge von 120 Zeichen enthält. Das Protokoll bestätigt die Erstellung der Tabelle.

FAQ

Was ist die `annCode`-Aktion?
Welchen Zweck hat der `modelTable`-Parameter?
Was bewirkt der `listNode`-Parameter?
Was ist die Funktion des `modelId`-Parameters?
Copyright © WeAreCAS 2025