Realiza la puntuación del Análisis de Componentes Principales Funcionales (FPCA). Esta acción calcula las puntuaciones de nuevos datos basándose en un modelo FPCA previamente entrenado y almacenado en una tabla analítica (astore). Es útil para proyectar nuevas observaciones funcionales en el espacio de componentes principales definido por el modelo original.
| Parámetro | Descripción |
|---|---|
| display | Especifica una lista de tablas de resultados para enviar al cliente para su visualización. Permite controlar qué tablas se muestran en la salida. |
| id | Especifica la variable o variables que se utilizarán como identificador de registro único para cada observación funcional. |
| inputs | Especifica las variables de entrada que se utilizarán en el análisis. Estas deben corresponder a las medidas funcionales esperadas por el modelo. |
| model | Especifica la tabla de almacenamiento analítico (astore) que contiene el modelo FPCA entrenado que se usará para la puntuación. Este parámetro es obligatorio. |
| output | Controla la creación de la tabla de salida con las puntuaciones. Contiene sub-parámetros como 'casout' para definir la tabla y 'npc' para el número de componentes. |
| output.casout | Especifica la tabla CAS de salida donde se guardarán los resultados de la puntuación. |
| output.npc | Especifica el número de componentes principales funcionales (FPCs) que se utilizarán para calcular las puntuaciones. El valor predeterminado es 4. |
| outputTables | Enumera los nombres de las tablas de resultados que se guardarán como tablas CAS en el servidor, útil para análisis posteriores sin descargar los datos al cliente. |
| table | Especifica la tabla de entrada que contiene los nuevos datos funcionales que se van a puntuar. Este parámetro es obligatorio. |
Este paso crea una tabla de datos de muestra y asume la existencia de un modelo FPCA previamente entrenado llamado 'fpca_model'. Si no dispone de un modelo, deberá entrenar uno primero usando la acción `fpca.fPca`.
| 1 | |
| 2 | DATA casuser.score_data; |
| 3 | INPUT id time value; |
| 4 | DATALINES; |
| 5 | 1 1 5.1 1 2 5.5 1 3 6.0 2 1 3.2 2 2 3.8 2 3 4.1; |
| 6 | |
| 7 | RUN; |
| 8 | |
| 9 | PROC CAS; |
| 10 | loadTable caslib="CASUSER" path="fpca_model.sashdat" casout="fpca_model"; |
| 11 | |
| 12 | RUN; |
| 13 |
Este ejemplo muestra cómo puntuar una tabla de datos utilizando un modelo FPCA existente y guardar los resultados en una tabla de salida.
| 1 | |
| 2 | PROC CAS; |
| 3 | fpca.fPcaScore TABLE={name="score_data", caslib="casuser"} model={name="fpca_model", caslib="casuser"} OUTPUT={casout={name="score_results", caslib="casuser", replace=true}}; |
| 4 | |
| 5 | RUN; |
| 6 |
En este ejemplo se especifican las variables de entrada y el ID explícitamente, se limita el número de componentes principales a 2 y se guardan las tablas de resultados en el servidor.
| 1 | |
| 2 | PROC CAS; |
| 3 | fpca.fPcaScore TABLE={name="score_data", caslib="casuser"} id={"id"} inputs={"value"} model={name="fpca_model", caslib="casuser"} OUTPUT={casout={name="advanced_scores", replace=true}, npc=2} outputTables={names={"ScoreInfo"}, replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |