L'action `fPcaScore` effectue le scoring pour l'Analyse en Composantes Principales Fonctionnelles (FPCA). Elle utilise un modèle pré-calculé (sauvegardé sous forme de 'analytic store' ou astore lors d'une phase d'entraînement précédente avec l'action `fpca`) pour projeter de nouvelles données fonctionnelles sur les composantes principales identifiées. Cette action permet de calculer les scores FPCA pour de nouvelles observations, facilitant ainsi l'utilisation des résultats de la FPCA pour des analyses ultérieures, telles que la classification ou la régression, sur de nouveaux jeux de données.
| Paramètre | Description |
|---|---|
| table | Spécifie la table d'entrée contenant les données fonctionnelles à scorer. |
| model | Spécifie la table binaire analytique (astore) contenant le modèle FPCA entraîné. |
| output | Spécifie les paramètres de la table de sortie. |
| output.casout | Spécifie la table CAS de sortie où seront sauvegardés les résultats du scoring. |
| output.npc | Spécifie le nombre de composantes principales à utiliser pour le scoring (valeur par défaut : 4). |
| id | Spécifie la ou les variables utilisées comme identifiant unique pour chaque enregistrement. |
| inputs | Spécifie les variables d'entrée à utiliser dans l'analyse. |
| outputTables | Liste les noms des tables de résultats à sauvegarder sur le serveur CAS. |
| display | Spécifie la liste des tables de résultats à envoyer au client pour affichage. |
Cet exemple crée un jeu de données fonctionnelles simulées et génère un modèle FPCA (astore) nécessaire pour l'action de scoring.
| 1 | |
| 2 | DATA casuser.train_data; |
| 3 | DO id = 1 to 100; |
| 4 | DO t = 1 to 50; |
| 5 | y = sin(t/10) + rannor(1)*0.1; |
| 6 | OUTPUT; |
| 7 | END; |
| 8 | END; |
| 9 | |
| 10 | RUN; |
| 11 | |
| 12 | PROC CAS; |
| 13 | fpca.fpca / TABLE={name="train_data", caslib="casuser"}, INPUT="y", id="id", OUTPUT={saveState={name="fpca_model", caslib="casuser"}}; |
| 14 | |
| 15 | RUN; |
| 16 |
Cet exemple montre comment calculer les scores FPCA en utilisant un modèle pré-existant et les paramètres par défaut.
| 1 | |
| 2 | PROC CAS; |
| 3 | fpca.fPcaScore / TABLE={name="train_data", caslib="casuser"}, model={name="fpca_model", caslib="casuser"}, id={"id"}, inputs={{name="y"}}, OUTPUT={casout={name="scored_data", caslib="casuser"}}; |
| 4 | |
| 5 | RUN; |
| 6 |
Cet exemple illustre le scoring en spécifiant explicitement le nombre de composantes principales à calculer et en écrasant la table de sortie si elle existe.
| 1 | |
| 2 | PROC CAS; |
| 3 | fpca.fPcaScore / TABLE={name="train_data", caslib="casuser"}, model={name="fpca_model", caslib="casuser"}, id={"id"}, inputs={{name="y"}}, OUTPUT={casout={name="scored_data_detailed", caslib="casuser", replace=true}, npc=3}; |
| 4 | |
| 5 | RUN; |
| 6 |