Die Aktion `annScore` im `neuralNet`-Aktionssatz wird verwendet, um eine Datentabelle unter Verwendung eines zuvor trainierten künstlichen neuronalen Netzwerkmodells zu bewerten. Diese Aktion nimmt ein trainiertes Modell (gespeichert in einer CAS-Tabelle) und eine Eingabetabelle und erzeugt eine Ausgabetabelle, die die vorhergesagten Werte enthält. Sie ist ein wesentlicher Schritt im Machine-Learning-Workflow, um die Leistung eines Modells auf neuen Daten zu bewerten oder Vorhersagen für die Produktion zu generieren.
| Parameter | Beschreibung |
|---|---|
| assess | Wenn auf True gesetzt, werden vorhergesagte Wahrscheinlichkeiten für die Ereignislevel zur Ergebnistabelle hinzugefügt. Sie können diese vorhergesagten Wahrscheinlichkeiten mit der assess-Aktion verwenden. |
| assessOneRow | Wenn auf True gesetzt, werden vorhergesagte Wahrscheinlichkeiten für die Ereignislevel zur Ergebnistabelle hinzugefügt. Alle Ereigniswahrscheinlichkeiten werden als separate Spalten eingefügt und mit dem Präfix _NN_P_ benannt. Sie können diese vorhergesagten Wahrscheinlichkeiten mit der assess-Aktion verwenden. |
| casOut | Gibt die Ausgabetabelle an, in der die Bewertungsergebnisse gespeichert werden sollen. |
| copyVars | Gibt die Variablen an, die von der Eingabetabelle in die Ausgabetabelle übertragen werden sollen. |
| impute | Wenn auf True gesetzt, werden Beobachtungen mit einem nicht fehlenden Wert für die Zielvariable als die vorhergesagten Werte verwendet. Das heißt, der beobachtete Wert wird als fehlerfrei angenommen. Nur Beobachtungen mit fehlenden Werten für die Zielvariable werden basierend auf ihren Werten für die Eingabevariablen bewertet. |
| includeMissing | Standardmäßig werden Beobachtungen mit fehlenden Werten eingeschlossen. Wenn auf False gesetzt, werden alle Beobachtungen mit fehlenden Werten für die im Modell verwendeten Variablen nicht eingeschlossen. |
| listNode | Gibt die Knoten an, die in die bewertete Ausgabetabelle aufgenommen werden sollen. Wenn die Auto-Kodierung von Eingangsknoten angefordert wird, ist der Standardwert HIDDEN. Dieser Wert ist besonders nützlich, wenn die Auto-Kodierung zur Reduzierung der Dimension der Eingangsknoten 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. |
| modelId | Gibt den Namen der Modell-ID-Variable an, der beim Erstellen der bewerteten Tabelle verwendet werden soll. Standardmäßig lautet der Variablenname _NN_PredName_ für Klassifikationen und _NN_Pred_ für Regressionen. |
| modelTable | Gibt die Tabelle an, die das künstliche neuronale Netzwerkmodell enthält. Sie können dieses Modell verwenden, um eine Tabelle zu bewerten oder SAS-Bewertungscode zu generieren. |
| table | Gibt die zu bewertende Eingabetabelle an. |
| target | Gibt die Zielvariable beim Bewerten eines Datensatzes an. Wenn der Name der Zielvariable im Modell derselbe ist wie in der bewerteten Tabelle, ist diese Option nicht erforderlich. |
Dieser Code erstellt eine Beispieltabelle 'my_ann_data' mit einigen Eingabevariablen (input1, input2, input3) und einer binären Zielvariable (target). Diese Daten können verwendet werden, um ein neuronales Netzwerk zu trainieren und anschließend mit der annScore-Aktion zu bewerten. Zuerst muss ein Modell mit `annTrain` trainiert werden.
/* Zuerst ein Modell trainieren */
proc cas;
neuralNet.annTrain /
table={name='my_ann_data'},
target='target',
inputs={'input1', 'input2', 'input3'},
arch='MLP',
hiddens={5},
modelOut={name='my_ann_model', replace=true};
run;
quit;Dieses Beispiel bewertet die Tabelle 'my_ann_data' unter Verwendung eines zuvor trainierten Modells, das in 'my_ann_model' gespeichert ist, und speichert die Ergebnisse in 'my_ann_scored'.
| 1 | PROC CAS; |
| 2 | neuralNet.annScore / |
| 3 | TABLE={name='my_ann_data'}, |
| 4 | modelTable={name='my_ann_model'}, |
| 5 | casOut={name='my_ann_scored', replace=true}; |
| 6 | RUN; |
Dieses Beispiel bewertet die Tabelle 'my_ann_data' mit dem Modell 'my_ann_model'. Es kopiert die Variablen 'input1' und 'i' in die Ausgabetabelle und schließt auch die Ausgabewerte der versteckten Knoten in die Bewertungstabelle ein. Die Ergebnisse werden in 'my_ann_scored_detailed' gespeichert.
| 1 | PROC CAS; |
| 2 | neuralNet.annScore / |
| 3 | TABLE={name='my_ann_data'}, |
| 4 | modelTable={name='my_ann_model'}, |
| 5 | copyVars={'input1', 'i'}, |
| 6 | listNode='HIDDEN', |
| 7 | casOut={name='my_ann_scored_detailed', replace=true}; |
| 8 | RUN; |
Dieses Beispiel bewertet die Daten und fordert die Erstellung von Wahrscheinlichkeitsspalten für jede Ebene der Zielvariable an. Dies ist nützlich für die anschließende Modellbewertung mit ROC-Kurven oder Lift-Charts.
| 1 | PROC CAS; |
| 2 | neuralNet.annScore / |
| 3 | TABLE={name='my_ann_data'}, |
| 4 | modelTable={name='my_ann_model'}, |
| 5 | assess=true, |
| 6 | casOut={name='my_ann_scored_assess', replace=true}; |
| 7 | RUN; |