Action Principale : annScore
| 1 | PROC CAS; |
| 2 | LOADACTIONSET 'dataStep'; |
| 3 | LOADACTIONSET 'sampling'; |
| 4 | LOADACTIONSET 'neuralNet'; |
| 5 | |
| 6 | /* 1. Charger les données */ |
| 7 | load DATA=sashelp.iris out=iris; |
| 8 | |
| 9 | /* 2. Partitionner les données */ |
| 10 | ACTION sampling.srs RESULT=p_iris / |
| 11 | TABLE={name='iris'}, |
| 12 | samppct=70, |
| 13 | partind=TRUE, |
| 14 | seed=1234; |
| 15 | |
| 16 | /* 3. Créer les tables d'entraînement et de validation */ |
| 17 | ACTION dataStep.runCode / |
| 18 | code='data train_data; set p_iris.srs; if _partind_ = 1; run; data valid_data; set p_iris.srs; if _partind_ = 0; run;'; |
| 19 | |
| 20 | /* 4. Entraîner le modèle de réseau de neurones */ |
| 21 | ACTION neuralNet.annTrain / |
| 22 | TABLE={name='train_data'}, |
| 23 | validTable={name='valid_data'}, |
| 24 | target='Species', |
| 25 | inputs={'SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth'}, |
| 26 | hiddens={50, 20}, |
| 27 | modelTable={name='my_ann_model', replace=true}; |
| 28 | QUIT; |