Scribd Logo
Importer

Bienvenue sur Scribd !

  • 92 vues

    INF1421 Corrige Module5 V3

    Transféré par

    Sahar MANAII
    Le document présente la simulation d'un algorithme de perceptron sur un ensemble de données d'entraînement. Il décrit les étapes de la mise à jour des poids lors de la prédiction correcte ou erronée. Un exemple de code R pour implémenter cet algorithme est également fourni.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    INF1421 Corrige Module5 V3

    Transféré par

    Sahar MANAII
    92 vues2 pages
    Le document présente la simulation d'un algorithme de perceptron sur un ensemble de données d'entraînement. Il décrit les étapes de la mise à jour des poids lors de la prédiction correcte ou erronée. Un exemple de code R pour implémenter cet algorithme est également fourni.

    Titre original

    INF1421-Corrige-Module5-V3

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Le document présente la simulation d'un algorithme de perceptron sur un ensemble de données d'entraînement. Il décrit les étapes de la mise à jour des poids lors de la prédiction correcte ou erronée. Un exemple de code R pour implémenter cet algorithme est également fourni.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    92 vues2 pages

    INF1421 Corrige Module5 V3

    Transféré par

    Sahar MANAII
    Le document présente la simulation d'un algorithme de perceptron sur un ensemble de données d'entraînement. Il décrit les étapes de la mise à jour des poids lors de la prédiction correcte ou erronée. Un exemple de code R pour implémenter cet algorithme est également fourni.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 2

    — Pour x2 :

    Z = x21 ∗ w10 + x12 ∗ w10 + x13 ∗ w30 + b0


    Z = −0.2, ce qui n’est pas plus grand que 0, alors, f (x2 ) = 0.
    Puisque la prédiction est fausse, alors nous devons mettre à
    jour les poids.

    w00 = w + η ∗ (d − y) ∗ x
    Module 5 - Réseaux de neurones w100 = −0, 3 + 0, 1 ∗ (0 − 1) ∗ 1 = −0, 2
    w200 = −0, 2 + 0, 1 ∗ (0 − 1) ∗ 1 = −0, 1
    Exercices - Corrigé
    w300 = −0, 2 + 0, 1 ∗ (0 − 1) ∗ 1 = 0
    Exercice 1
    b0 = 0, 4 + 0, 1 ∗ (0 − 1) ∗ 1 = 0, 5
    On possède l’ensemble d’entraînement suivant :
    — Pour x3 :
    xi yi
    [3, 2, 1] 0 Z = x31 ∗ w100 + x32 ∗ w100 + x33 ∗ w300 + b00
    [1, 1, 1] 1
    [1, 2, 3] 1 Z = 0.1, ce qui est plus grand que 0, alors, f (x3 ) = 1.
    Ce qui est correct, alors aunue mise à jours des poids n’est
    1. La simulation de l’algorithme du perceptron est la suivant : requise.

    — Pour x1 : 2. La simulez de l’algorithme du perceptron sur cet ensemble de


    données en utilisant le logiciel R :
    Z = x11 ∗ w1 + x12 ∗ w2 + x13 ∗ w3 + b
    Z = 0.5, ce qui est plus grand que 0, alors, f (x1 ) = 1. 1 perceptron <- function (x , y , lr ) {
    2 # initia lisation du vesteur poids
    Puisque la prédiction est fausse, alors nous devons mettre à 3 poids <- c (0.5 ,0 ,0 ,0)
    jour les poids. 4 # Boucle pour les d o n n e s d ’ e n t r a n e m e n t
    5 for ( j in 1: length ( y ) ) {
    6 z <- 0
    w0 = w + η ∗ (d − y) ∗ x 7 for ( i in 1:3) {
    8 # P r d i r e le " label " binaire
    0 9 z <- z + poids [ i +1] * as . numeric ( x [i , j ])
    w1 = 0 + 0, 1 ∗ (0 − 1) ∗ 3 = −0, 3 10 }
    11 z <- z + poids [1]
    w20 = 0 + 0, 1 ∗ (0 − 1) ∗ 2 = −0, 2 12 if ( z <= 0) {
    13 ypred <- 0
    0 14 } else {
    w3 = 0 + 0, 1 ∗ (0 − 1) ∗ 1 = −0, 1 15 ypred <- 1
    16 }
    17 for ( i in 1:3) {
    18 poids [ i +1] <- poids [ i +1] + lr * ( y [ j ] - ypred ) * as . numeric (
    0
    b = 0, 5 + 0, 1 ∗ (0 − 1) ∗ 1 = 0, 4 x [i , j ])

    Dernière mise à jour le 2 novembre 2018. 1


    19 } w21 (nouveau) = 0, 6 + 0, 2 ∗ (0, 5 + 0, 6) = 0, 82
    20 poids [1] <- poids [1] + lr * ( y [ j ] - ypred )
    21 # afficher le poids w31 (nouveau) = 0, 1 + 0, 2 ∗ (0, 5 + 0, 1) = 0, 22
    22 print ( poids )
    }
    23
    24 }
    w32 (nouveau) = 0, 5 + 0, 2 ∗ (0, 2 + 0, 5) = 0, 64
    25
    26 x <- matrix ( c (3 ,2 ,1 ,1 ,1 ,1 ,1 ,2 ,3) , ncol = 3 , nrow = 3) w51 (nouveau) = 0, 8 + 0, 2 ∗ (0, 5 + 0, 8) = 1, 06
    27 y <- c (0 ,1 ,1)
    28 w52 (nouveau) = 0, 2 + 0, 2 ∗ (0, 2 + 0, 2) = 0, 28
    29 err <- perceptron (x , y ,0.1)

    Exercice 2

    1. Calculer la distance euclidienne entre les entrées et les poids :

    D1 = Σ(X − w1)2 = (0, 5 − 0, 3)2 + (0, 2 − 0, 7)2 = 0, 29


    D2 = Σ(X − w2)2 = (0, 5 − 0, 6)2 + (0, 2 − 0, 9)2 = 0, 5
    D3 = Σ(X − w3)2 = (0, 5 − 0, 1)2 + (0, 2 − 0, 5)2 = 0, 25
    D4 = Σ(X − w4)2 = (0, 5 − 0, 4)2 + (0, 2 − 0, 3)2 = 0, 02
    D5 = Σ(X − w5)2 = (0, 5 − 0, 8)2 + (0, 2 − 0, 2)2 = 0, 09

    Alors le neurone gagnant est le neurone numéro 4.

    2. La valeur du poids mise à jours pour le neurone numéro 4 est calculé


    à l’aide de la fonction suivante :

    w(nouveau) = w(ancien) + a(x + w(ancien))

    Alors :

    w41 (nouveau) = 0, 4 + 0, 2 ∗ (0, 5 + 0, 4) = 0, 58

    w42 (nouveau) = 0, 3 + 0, 2 ∗ (0, 2 + 0, 3) = 0, 4

    3. Les valeurs mises à jours pour les autres neuronnes :

    w11 (nouveau) = 0, 3 + 0, 2 ∗ (0, 5 + 0, 3) = 0, 46


    w12 (nouveau) = 0, 7 + 0, 2 ∗ (0, 2 + 0, 7) = 0, 88

    Dernière mise à jour le 2 novembre 2018. 2

    Vous aimerez peut-être aussi