The arboretum procedure

22

§

PROC DMNEURL: Approximation to PROC NEURAL

DATA=SASdataset :

specifies an input data set generated by PROC DMDB which is associated with

a valid catalog specified by the DMDBCAT= option. This option must be spec-

ified, no default is permitted. The DATA= data set must contain interval scaled

variables and CLASS variables in a specific form written by PROC DMDB.

DMDBCAT=SAScatalog :

specifies an input catalog of meta information generated by PROC DMDB

which is assiciated with a valid data set specified by the DATA= option. The

catalog contains important information (e.g. range of variables, number of

missing values of each variable, moments of variables) which is used by many

other procedures which require a DMDB data set. That means, that both, the

DMDBCAT= catalog and the DATA= data set must be InSync to obtain proper

results! This option must be specified, no default is permitted.

TESTDATA=SASdataset :

specifies a second input data set which is by default NOT generated by PROC

DMDB, which however must contain all variables of the DATA= input data

set which are used in the model. The variables not used in the model may be

different. The order of variables is not relevant. If TESTDATA= is specified,

you can specify a TESTOUT= output data set (containing predicted values and

residuals) which relates to the TESTDATA= input data set the same as the

OUT= data set relates to the DATA= input training data set. When specifying

the TESTDMDB option you may use a data set generated by PROC DMDB as

the TESTDATA= input data set.

OUTCLASS=SASdataset :

specifies an output data set generated by PROC DMNEURL which contains

the mapping inbetween compound variable names and the names of variables

and categories of CLASS variables used in the model. The compound variable

names are used to denote dummy variables which are created for each category

of a CLASS variable with more than two categories. Since the compound

names of dummy variables are used for variable names in other data sets the

user must know to which category each compound name corresponds. The

OUTCLASS= data set has only three character variables

– NAME– contains compound name used as variable names in other output

data sets

– VAR– contains variable name used in DATA= input data set

– LEVEL– contains level name of variable as used in DATA= input data set.

Note, if the DATA= input data set does not contain any CLASS variables the

OUTCLASS= data set is not written.

OUTEST=SASdataset :

specifies an output data set generated by PROC DMNEURL which contains all

the model information necessary for scoring additional cases or data sets.

Variables of the output data set:

– TARGET– (character) name of the target

---

Purpose of PROC DMNEURL

§

23

– TYPE– (character) type of observation

– NAME– (character) name of observation

– STAGE– number of stage

– MEAN– contains different numeric information

– STDEV– contains different numeric information

Ú

Ö

Ò

Ñ

variables in the model variables; the first variables correspond to

CLASS (categorical) the remaining variables are continuously (interval

or ratio) scaled. Note, that for nonbinary CLASS (nominal or ordinal

categorical) variables a set of binary dummy variables is created. In those

cases the prefix of variable names

Ú

Ö

Ò

Ñ

used for a group of variables

in the data set may be the same for a successive group of variables which

differs only by a numeric suffix.

This data set contains all the model information necessary to compute the pre-

dicted model values (scores).

1. The –TYPE–=–V–MAP– and –TYPE–=–C–MAP– observations con-

tain the mapping indices between the variables used in the model and the

number of the variable in the data set.

¯

The –MEAN– variable contains the number of index mappings.

¯

The –STDEV– variable contains the index of the target (response)

variable in the data set for the –TYPE–=–V–MAP– observation.

For –TYPE–=–C–MAP– it contains the level (category) number of

a categorical target variable that corresponds to missing values.

2. The –TYPE–=–EIGVAL– observation contains the sorted eigenvalues

of the

¼

matrix. Here, the –MEAN– variable contains the number

of model variables (rows/columns of the model

¼

matrix) and the

– STDEV– variable contains the number

of model components.

3. For each stage of the estimation process two groups of observations are

written to the OUTEST= data set:

(a) The –TYPE–=–EIGVEC– observations contain a set of principal

components which are used as predictor variables for the estimation

of the original traget value

Ý

(in stage 0) or for the prediction of the

stage

residual. Here, the –MEAN– variable contains the value for

the criterion used to include the component into the model which is

normally the

Ê

¾

value. The –STDEV– variable contains the eigen-

value number to which the eigenvector corresponds.

1

SQUARE

´

·

£

ܵ

£

Ü

2

TANH

£

Ø

Ò

´

£

ܵ

3

ARCTAN

£

Ø

Ò´

£

ܵ

4

LOGIST

ÜÔ´

£

ܵ

´½

·

ÜÔ´

£

ܵ

5

GAUSS

£

ÜÔ´ ´

£

ܵ

¾

µ

6

SIN

£

×

Ò´

£

ܵ

7

COS

£

Ó×´

£

ܵ

8

EXP

£

ÜÔ´

£

ܵ

The –NAME– variable reports the corresponding name of the best

activation function found.

---