Geschäftskontext
Ein E-Commerce-Riese möchte Millionen von Kundenbewertungen in Echtzeit verarbeiten, um Produktmerkmale (z.B. 'Akkulaufzeit', 'Bildschirmqualität') zu identifizieren. Dieser Test validiert die Performance der `crfScore`-Aktion bei großen Datenmengen und die Stabilität der Speicherverwaltung.
Datenaufbereitung
Generierung eines großen Datensatzes mit 100.000 simulierten Bewertungen.
Kopiert!
| 1 | |
| 2 | DATA casuser.large_reviews; |
| 3 | LENGTH text $100; |
| 4 | DO i=1 to 100000; |
| 5 | id=i; |
| 6 | IF mod(i,2)=0 THEN text='Der Bildschirm ist fantastisch, aber der Akku ist schwach.'; |
| 7 | ELSE text='Schnelle Lieferung und toller Preis.'; |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | |
| 11 | RUN; |
| 12 |
Étapes de réalisation
1
Ausführung des Scorings auf dem großen Datensatz unter Angabe des Zielparameters.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | conditionalRandomFields.crfScore TABLE={name='large_reviews', caslib='casuser'} model={name='product_crf_model'} casOut={name='reviews_tagged', caslib='casuser', replace=true} target='feature_label'; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
2
Validierung der Anzahl der verarbeiteten Zeilen.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | SIMPLE.numRows TABLE={name='reviews_tagged', caslib='casuser'}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Erwartetes Ergebnis
Die Aktion verarbeitet alle 100.000 Zeilen ohne Speicherfehler oder Zeitüberschreitung. Die Ausgabetabelle 'reviews_tagged' enthält exakt 100.000 Zeilen, und die Spalte 'feature_label' ist für alle Einträge gefüllt.