Package AMORE - difficulté d'utilisation

Bonjour à tous et à toutes,

Je suis actuellement étudiant en statistiques, et je travaille sur les réseaux de neurones avec le package AMORE. Je rencontre quelques difficultés à l'utiliser, et j'espère que certains d'entre vous l'ont déjà abordé !!!

Première question : la fonction 'newff' du package crée-t-elle seulement le réseau de neurones ou l'entraîne-t-elle aussi ? car un des arguments de la fonction est une fonction d'apprentissage, mais il existe une autre fonction dispo dans le package nommée 'train', et les poids synaptiques n'ont pas l'air d'être calculés.

Deuxième question : Concernant le nombre de neurones dans la couche de sortie, faut-il l'égaliser au nombre de modalités de la variable que l'on cherche à approcher ? Par exemple, si la variable que je cherche à approcher contient 5 modalités, dois-je mettre 5 neurones de sortie ? (a priori non, mais je voudrais avoir votre avis la-dessus au cas où)

Troisième question (la plus importante à mon avis) : peut-on mettre un objet matrice contenant plusieurs variables pour entraîner le RDN ?

N'hésitez pas à me demander du code si nécessaire (c'est pas bien lourd ce que j'ai fais, et ça vient majoritairement de l'exemple des développeurs du package)

Merci d'avance

Bonjour tristan,

Je répond à deux de tes questions.

Citation:

---

Première question : la fonction 'newff' du package crée-t-elle seulement le réseau de neurones ou l'entraîne-t-elle aussi ? car un des arguments de la fonction est une fonction d'apprentissage, mais il existe une autre fonction dispo dans le package nommée 'train', et les poids synaptiques n'ont pas l'air d'être calculés.

---

newff est une fonction de création du réseau et non de son apprentissage.

Citation:

---

Troisième question (la plus importante à mon avis) : peut-on mettre un objet matrice contenant plusieurs variables pour entraîner le RDN ?

---

Oui, il suffit de créer un réseau avec plusieurs entrées.

Merci de ta réponse.

C'est-à-dire que si j'ai 84 variables, je dois créer un réseau à 84 neurones inputs ? de type :

Code:

---

1 2 3

net <- newff(n.neurons=c(84,8,1), learning.rate.global=1e-2, momentum.global=0.5, error.criterium="LMS", Stao=NA, hidden.layer="tansig", output.layer="tansig", method="ADAPTgdwm")

---

Mon problème est que j'arrive à entraîner mon réseau (avec la fonction "train"), mais lorsque je fais tourner mon réseau sur mon vecteur cible avec la fonction sim (ie celui dont s'est servi mon réseau pour s'entraîner), il me renvoie un vecteur avec la même valeur pour toutes mes observations, ce qui est un peu inquiétant !

Est-ce que je suis assez clair ? je peux peut-être détailller avec un peu de code sinon !

Je ne connais pas bien ton problème mais en premier lieu, je me demande si tu ne pourrais pas le simplifier en faisant une anova sur tes données pour savoir lesquelles sont significatives et lesquelles ne le sont pas. Après je ne connais pas tes données et ne sais pas pour quelle raison le réseau ne converge pas. La réponse n'est-elle pas dans ta question 2 du premier post ?

justement, j'ai essayé en mettant un neurone de sortie (pour un réel renvoyé à chaque nouvel input), et 5 neurones de sorties (pour chacune de mes modalités, un peu comme le fait SPSS), mais apparemment il ne comprend que quand il y a 1 neurone de sortie ...

Connais-tu d'autres package R avec lesquels on peut bien traiter les RDN ?

Merci beaucoup de ta réponse !

Non, je ne saurais te renseigner sur le choix d'une lib pour les réseaux de neurones car je ne les connais pas bien. Par contre et à part si cela t'est imposé, pour résoudre ton problème, j'utiliserais plutôt au vue de ce que j'en comprends, un algorithme classique (arbre de décision par exemple ou d'autres méthodes) avec données continues en entrée et données qualitatives en sortie et non un réseau de neurones. L’intérêt provient de la lecture des données en sortie qui sont beaucoup plus faciles à interpréter dans le cas que je t'indique que pour le cas d'un réseau de neurones.

Merci quand même ! Pour les intéressés, je viens d'essayer le package monmlp, qui est (à mon avis!) beaucoup plus simple à utiliser et qui a l'air de fonctionner beaucoup mieux.