Bonjour,
sinon, pour ajouter, à liste des systèmes neuronaux (SVM, SNNS, etc), tu as aussi les RBF, Radial Basis Functions ou fonctions à base de radiales ... Il me semble que pour le besoin que tu as, les Support Vector Machine ont montré leur supériorité, mais il me semble également que les RBF sont plus facilement théoriquement assimilables et utilisables que les SVM (que j'ai après tout jamais essayé).
Pour les RBF, on utilise des gaussiennes, des fonctions "distance" inversées, ou tout autre fonction qui génère un champs d'influence radial. On peut se représenter ça par une surface plane avec des puits d'attraction (ou l'inverse). Cette topologie est générée lors de l'apprentissage. Pour la phase de prédiction, on place "simplement" les éléments à prédire sur le relief ainsi créé et obtient le résultat. Sur des variantes on peut créer plusieurs de ces surfaces planes en parallèle et mettre en place un système concurentiel.
La phase d'apprentissage est rapide et la prédiction tout autant.
Peut-être te faudrait-il commencer par les RBF avant d'aborder les SVM puisque chronologiquement, on a, il me semble :
- perceptron multi-couche
- ...
- RBF
- SVM
Voila.
A+
Flo.
Partager