Aller au contenu

Réseau de neurones

Avec TensorFlow et Keras

L'installation nécessite d'utiliser Python :

  1. Installer Tensorflow dans un environnement condas.
  2. Installer keras et tensorflow.
  3. Charger les bibliothèques library(keras) et library(tensorflow).
  4. Choisir l'environnement à utiliser use_condaenv(".../User/anaconda3/envs/env_tensorflow/").

Créer le modèle

Warning

Le modèle prend en entré uniquement des matrices as.matrix() ou des tenseurs.

model <- keras_model_sequential() %>%
    couche1(shape(nb_entré)) %>%
    couche2

Les types de couches :

  • layer_dense(units = 10, shape(nb_var), activation = 'linear') couche normale.

Type: 

* `activation = sigmoid/relu/linear` fonction d'activation.

Fonction perte

model %>% compile(
  optimizer = optimizer_adam(learning_rate = 0.01),
  loss = 'mean_absolute_error'
)

Entrainer le modèle

history  <- model %>% fit(
  dt_x_train, dt_y_train,
  batch_size = 16, epochs = 200, verbose = 0
)
plot(history)

Ajouter un jeu de données de validation validation_data = list(dt_x_train, dt_y_train) ou validation_split = 0.2.

Evaluer et prédire

  • model %>% evaluate(dt_x, dt_y, verbose = 0) évaluer le modèle.
  • predict(model, dt_x, verbose = 0) réaliser les prédictions.

Avec Net

library(nnet)

Deux façons de déclarer un réseau de neurones :

  • nnet(data = , cible~variables, size = nb_couche, maxit = nb) avec une variable cible.
  • nnet(matrice_x, matrice_y, size = nb_couche) cette méthode permet de fournir une matrice a obtenir en résultat.

Paramètres :

  • size = nb nombre de couches neurones dans la couche cachée.
  • maxit = nb nombre d'itérations maximum.
  • trace = F masquer l'affichage.
  • weights = poids saisir les poids.
  • softmax = T utiliser la fonction d'activation softmax.

Sorites :

  • $n structure du réseau (nbre de neurones par couches).
  • $nunits nbre de neurones total.
  • $wts poids des neurones.
  • $value valeur du critère d'évalution en prenant en compte la pénalité sur les poids.
  • $fitted.values valeurs prédites obtenues sur le jeu d'apprentissage.
  • $residuals résidus (différence entre la valeur réel et celle prédite) du jeu d'apprentissage.

  • $convergence nombre d'itérations jusqu'a converger.

  • plotnet(model) visualiser la structure du réseau (library(NeuralNetTools)).

Prédiction

predict(modele, newdata = test, type = ) paramètres pour : * type= 

    * `class` renvoie la probabilité d'appartenance pour chaque classe
    * `raw` renvoie la modalité la plus probable.