Réseau de neurones pour classement des fleurs

Bonjour à tous.

Je veux créer un réseau de neurones capable de classer différents types de fleurs. Chaque fleur est identifiée par :
- la largeur de ses pétales
- la longueur de ses pétales,
- la largeur de sa tige,
- la longueur de sa tige.

Chacune des ces informations est donnée en centimètres. Je dispose d'un ensemble de test afin d'entrainer le réseau. Une fleur peut appartenir à 4 espèces différentes.

Étant nouveau dans le domaine des réseaux neuronaux, j'aurai aimé avoir un avis de quelqu'un expérimenté afin de me mettre sur la bonne voie pour créer un réseau efficace. Quelle design serait le plus adapté pour répondre à ce type de problème ?

Merci.

Bonjour,

tu as quatre caractéristiques par fleur, donc cela te permet de créer des petits réseaux de neurones.

Je te conseille de faire des classifieurs de type "One Class Classifier", c'est-à-dire que tu créés un classifieur par classe. Ce type de classifieur est généralement beaucoup plus efficace que de faire du "One against All", car les frontières de décision sont plus complexes.

Questions :
- combien d'individus as tu par classes ?
- quelle méthode de validation vas tu choisir ?

Citation:

---

Envoyé par kosa_nostra

Chaque fleur est identifiée par :
- la largeur de ses pétales
- la longueur de ses pétales,
- la largeur de sa tige,
- la longueur de sa tige.

Quelle design serait le plus adapté pour répondre à ce type de problème ?

---

Ça n'est pas de l'IA. Tout ce que tu as à faire c'est de partitionner un espace à 4 dimensions. Tu peux utiliser quelque chose comme un quadtree ou bien un arbre binaire de recherche multi-niveau.

Bonjour et merci de votre réponse.

"tu as quatre caractéristiques par fleur, donc cela te permet de créer des petits réseaux de neurones."
Je ne comprends pas bien l'idée. Pour moi, le réseau à créer doit contenir 4 entrées (qui correspondent aux quatres caractéristiques des fleurs) et ensuite travailler sur ces entrées ???

Sinon, j'ai environ 40 individus par classes dans mon "training set".
Pour la méthode de validation, j'ai un ensemble de données "test".

Je vais m'informer un peu plus sur les classifieurs de type "One Class Classifier".
Merci Beaucoup.

Citation:

---

Envoyé par kosa_nostra

Pour moi, le réseau à créer doit contenir 4 entrées (qui correspondent aux quatres caractéristiques des fleurs) et ensuite travailler sur ces entrées ??

---

C'est ça... mais quatre entrée c'est très peu :-)
Etant donné que l'on met généralement moins de neurones dans la couche cachée qu'en entrée et encore moins en sortie, tu auras au plus 9 neurones.

Citation:

---

Envoyé par kosa_nostra

Sinon, j'ai environ 40 individus par classes dans mon "training set".
Pour la méthode de validation, j'ai un ensemble de données "test".

---

40 individus par classes avec 4 classes, cela fait 160 si je compte bien. C'est suffisant étant donné le nombre d'entrée.
Tu peux faire du K-Fold et/ou du Leave One Out.

Citation:

---

Envoyé par kosa_nostra

Je vais m'informer un peu plus sur les classifieurs de type "One Class Classifier".

---

C'est un classifieur classique, sauf qu'il ne fait la prédiction que pour une seule classe : appartient ou n'appartient pas.

Ok merci pour tous.
Je vais expérimenter un peu de toute manière !
Maintenant il n'y a plus qu'à lire l'aide de Matlab sur la Neural Netwrk Toolbox ! (du pur bonheur)

Bonjour,

si tu veux juste faire du prototypage... tu peux regarder weka.

Quand on veut partitionner un espace linéaire à 4 dimensions on utilise un Kd-Tree, c'est fait exactement pour ça.

[mode troll]
Ça rime à quoi votre histoire de réseau de neurones et d'échantillons d'individus ? Les réseaux de neurones c'est pour quand l'intelligence humaine a échoué et qu'on en est réduits à faire appel à l'Imbécilité Artificielle.
[/mode troll]

Bonjour.

Je reviens car je rencontre ma première difficulté. J'ai décidé de suivre l'idée du "one class clasifier". Pour cela, j'avais l'intention de créer 3 petit réseaux indépendants (1 réseau par classe, en effet j'ai indiqué 4 au début de ce topic mais il y en a en fait que 3 :mouarf:). Chaque réseau devait m'indiquer si tel ou tel individu appartenait à tel ou tel classe.

Pour cela, j'ai utilisé un réseau de type "perceptron" qui me renvoie 1 si l'individu correspond à la classe testé, 0 autrement (en utilisant une fonction hardlim). Cela marche trés bien pour un type de fleur qui se distingue assez fortement des autres. Le problème est que les 2 autres types se ressemblent plus et lorsque j'essaye d'implémenter ce type de réseau pour l'une de ces 2 fleurs, Matlab n'arrive pas a "fixer" la frontiere entre ces 2 fleurs et donc le réseau ne rempli pas du tout son rôle !!

Cette discussion aurait surement plus sa place sur le forum Matlab mais si vous avez une solution à mon problème ...

Merci

Bonsoir,

le code MatLab fonctionne correctement, donc rien à voir avec la partie langage.
Il faut se concentrer sur le problème :
- trois classes.
- une classe typique
- deux classes similaires.

Puisque tu n'as que deux entrées, est ce que tu as regardé la distributions des caractéristiques pour les deux classes qui posent problèmes ? Comme cela tu sauras à quel point elles sont mélangées. Et si éventuellement elles sont séparables.

As tu regardé la corrélation entre les caractéristiques pour les individus des deux classes qui posent problèmes ?

En guise de test, est ce que tu as essayer d'entrainer/valider ton réseau avec uniquement des individus des deux classes similaires ?
Est ce que les résultats sont meilleurs ?

Bonjour.
Oui j'ai fait une analyse des données avant de me lancer. Je pense que les données peuvent être séparées en utilisant une fonction hardlim, même si les résultats obtenus ne seront pas fiable a 100% :

Pièce jointe 60977

Pièce jointe 60978

Citation:

---

En guise de test, est ce que tu as essayer d'entrainer/valider ton réseau avec uniquement des individus des deux classes similaires ?
Est ce que les résultats sont meilleurs ?

---

Je vais essayer ...

En fait, pour ce projet, je dois expérimenter et trouver la meilleure solution pour résoudre ce problème. J'aimerai au final comparer 3 methodes : le "kmeans clustering", la méthode dont on discute actuellement et une autre méthode utilisant un réseau "feedforward backpropagation". Donc si vous avez des suggestions (en regardant le "plot" des données) n'hésitez pas !

Merci encore pour votre aide.

Bonjour,

en voyant l'analyse des données, je me dis que l'on ne s'y prend pas du tout de la bonne manière :
- longueur et largeur des pétales permettent de classer les individus dans la première classe => Ce classifieur est donc un simple seuil, inutile d'utiliser un RdN.
- donc on fait un seuil et si on est pas dans la première classe, on continue à travailler.
- ensuite, tu peux utiliser un RdN ou une simple régression logistique pour classer les données suivantes : apprentissage sur les individus des deux classes restantes uniquement et validation par Leave-One-Out car les échantillons sont très petits.
- mais longueur et largeur de la tige n'apportent visiblement pas beaucoup d'information. Donc peut être il serait plus malin de ne pas les utiliser. Il faut tester avec et/ou sans.
- sinon, peut être réduire ces deux informations par une ACP et voir comment se divisent les individus dans le nouvel espace.

Question : quel taux de classement minimum dois tu avoir

Merci Toto13 pour toute ton aide !

Je n'ai pas pue mettre en pratique tes conseils aujourd'hui mais ils semblent pertinents !
Juste une autre petite question. Pour le réseau devant différencier les deux classes ressemblantes, quel type serait le plus pertinent ? Est-ce que un "perceptron" avec une fonction "hardlim" semble adapté ou dois-je chercher ailleurs ?

Je ne sais pas :aie:
Essais les deux :ccool:
Je teste tout cela sous weka, qui propose un perceptron à une couche cachée. Je joue sur le nombre de neurones de la couche cachée si je veux un peu améliorer les performances.
Mais en général, je m'intéresse plus au caractéristiques qu'aux méthodes de classement. Donc j'essaie plutôt de nouveaux descripteurs.