Neurone Ensemble d'apprentissage !

Bonjour , voila mon problemes au niveau d'un tp :

Générez un ensemble d'apprentissage de taille N = 400, constitué de quatre classes de dimension deux et de répartition gaussienne :

-La première a les valeurs comprises dans les intervalles [(-4 ; 0) ; (0 ; 4)] et une moyenne (-2; 2).
-La seconde a les valeurs comprises dans les intervalles [(0 ; 0) ; (4 ; 4)] et une moyenne (2; 2).
-La troisième a les valeurs comprises dans les intervalles [(-4 ; -4) ; (0 ; 4)] et une moyenne (-2; -2).
-La quatrième a les valeurs comprises dans les intervalles [(0 ; 0) ; (4 ; -4)] et une moyenne (2; -2).

Définir un RN multicouches (avec une seule couche cachée) entraîner par un algorithme de rétropropagation du gradient d’erreur. Affichez pendent l’apprentissage (après chaque n itérations) la courbe de l'erreur quadratique moyenne.

J'arrive pas à comprendre comment définir le nombre de neurone de d'entrée et de sortie de ce probleme !!

Tu as besoin de 4 neurones de sortie, car ton RdN sera un classificateur.
Il te donnera 4 nombres entre 0 et 1 en sortie, et le plus grand correspondra à la classe à laquelle appartient ton entrée.

Il me semble que tu as 2 valeurs à prendre en entrée (cela correspond à la dimension égale à 2 dans ta description).

Je veux bien savoir : vous avez dis deux en entrée , je voix pas bien comment vous avez choisez 2 et aussi j'arrive pas à comprendre la répartition gaussienne :help: ?? merci

dimension correspond au nombe d'entrée ?

Oui.
Et ces entrées de dimension 2 sont divisées en 4 classes.
Le RdN permettra de dire à quelle classe appartient ton entrée.

Quand à la répartition gaussienne : http://fr.wikipedia.org/wiki/Loi_normale

Merci Alp
et frenchement j'ai encore beaucoup de question mais je dois avancé dans ce TP pour les bien posé .

En fait , je travail sur matlab , si jamais vous avez une des exemples sur matlba ou des sites qui pouvent m'aider , ca sera bien pour moi de comprendre !!
merci d'avance

Tu as regardé matlab.developpez.com ?
Ainsi que la doc officielle sur Matlab ! Il y a de mémoire la "Neural Net Toolbox" dans Matlab.

j'utilise seulement TOOLBOX pour le moment je vais voir Matlab.developpez.com :)

Citation:

---

Envoyé par Alp

Tu as besoin de 4 neurones de sortie, car ton RdN sera un classificateur.
Il te donnera 4 nombres entre 0 et 1 en sortie, et le plus grand correspondra à la classe à laquelle appartient ton entrée.

Il me semble que tu as 2 valeurs à prendre en entrée (cela correspond à la dimension égale à 2 dans ta description).

---

désolé , je veux comprendre quelque comment peut avoir 4 neurone en sortie alors que au début pour générer le P et T (sortie désiré) , j'ai un T qui y de dimension 2 de la forme (exemple de 10 individus) :

T =

Columns 1 through 10

-0.5000 -0.5000 0.5000 -0.5000 0.5000 0.5000 0.5000 -0.5000 0.5000 0.5000
0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 -0.5000 -0.5000

Columns 11 through 16

0.5000 -0.5000 0.5000 0.5000 0.5000 -0.5000
-0.5000 -0.5000 -0.5000 -0.5000 -0.5000 -0.5000

et Y sortie avec 4 neurone en sortir comme vous avez dis prend la forme :


Y =

Columns 1 through 10

2.0367 2.4705 1.0305 2.3075 1.1967 0.6926 0.8925 2.2769 0.1584 -0.0101
-2.7297 -3.0454 -1.8876 -2.7257 -2.1660 -1.9275 -1.8936 -2.8017 -1.2339 -1.1280
2.7537 2.6310 3.4568 2.9234 3.0937 3.1196 3.3369 2.7986 3.5046 3.3377
-0.0272 0.0141 -0.6943 -0.0428 -0.4265 -0.5920 -0.6593 0.0032 -1.1692 -1.2213

Columns 11 through 16

0.1983 -0.0514 0.0813 0.1752 0.1342 0.1184
-0.2719 -1.5357 -1.0308 -1.3675 -1.3007 -2.2970
3.2531 3.0150 3.4186 3.4713 3.4659 2.2660
-1.9600 -0.9385 -1.3188 -1.0535 -1.1043 -0.5542

j'arrive plus à comprendre comment classifier dans ce cas !! merci pour votre aide :)

Voila un doc exemple d'exécution !!

4 neurones en sortie parce que chaque neurone correspond à une classe donnée.
Les neurones doivent chacun régresser une sortie correspondant à 1 si l'exemple est de la classe et 0 sinon.

Pour générer tes entrées, Matlab a une fonction de répartition gaussienne (randn(100,1) de mémoire), pour chacune de tes classes tu génères une matrice de cette forme puis tu la normalises pour obtenir les min/max/moyenne que tu souhaites.

Avec des réseaux de 3 neurones on obtient un truc comme joint : ensemble d'apprentissage et validation sur 2000 entrées au pif.
Enfin mon réseau de 4 sorties est en fait 4 réseaux à 1 sortie. C'est pas plus compliqué à régresser et ça évite de se brider pour rien.

Citation:

---

Envoyé par OliveK

4 neurones en sortie parce que chaque neurone correspond à une classe donnée.
Les neurones doivent chacun régresser une sortie correspondant à 1 si l'exemple est de la classe et 0 sinon.

Pour générer tes entrées, Matlab a une fonction de répartition gaussienne (randn(100,1) de mémoire), pour chacune de tes classes tu génères une matrice de cette forme puis tu la normalises pour obtenir les min/max/moyenne que tu souhaites.

Avec des réseaux de 3 neurones on obtient un truc comme joint : ensemble d'apprentissage et validation sur 2000 entrées au pif.
Enfin mon réseau de 4 sorties est en fait 4 réseaux à 1 sortie. C'est pas plus compliqué à régresser et ça évite de se brider pour rien.

---

Merci pour ta réponse , OLIVEK

j'ai une autre question concernons la fonction de répartition gaussienne (randn(100,1) de mémoire) dont t'en a parlé pour obtenir les min/max/moyenne , j'ai utilisé une fonction déjà prédéfini par sous matlab mais pour un labo et j'ai remarqué que y'a plusieurs point sortent de l'intervalle demandé ainsi que la moyenne n'est pas juste , est ce que tu peux me dire comment la faire sous matlab , je vois bien dans la répartition que vous avez donne une bonne repartition .

MErci pour votre aide

Pour la génération ça se fait en quelques étapes, où le seul paramètre extérieur est m : la moyenne souhaitée (l'amplitude étant toujours 4)

x = randn(100,1) : génère une matrice selon une répartition gaussienne de moyenne nulle et de variance 1
x = x - mean(x) : on centre la répartition (la moyenne n'est pas forcément nulle pour un nombre limité de tirages)
x = x*4/(max(x)-min(x)) : on ajuste l'amplitude à 4
x = x + m : on décale pour avoir la moyenne voulue