Sommaire

Le retour des mines et des rochers

Souvenez-vous, dans le chapitre Bien classifier n’est pas une option, nous avons traité le cas de classification d’un objet comme étant une mine ou un rocher en fonction de mesures effectuées par un sonar.

Ce cas d’étude fut également traité dans un article intitulé " Analysis of Hidden Units in a Layered Network Trained to Classify Sonar Targets " rédigé par Terry Sejnowski et R. Paul Gorman en 1988 dont le but était de démontrer l’importance du rôle du nombre de neurones dans la couche cachée sur la précision de classification.

Leur étude est bien entendu téléchargeable sur le Web, mais nous avons fait le choix de vous en proposer une copie que vous pourrez retrouver dans le répertoire dédié au code de ce chapitre téléchargeable depuis la page Informations générales.

Voici à présent les différents paramètres utilisés par ces deux scientifiques pour réaliser leur démonstration :

  • 192 données d’apprentissage

  • 16 données de tests

  • 60 neurones d’entrée (correspondant à chacune des fréquences)

  • 2 neurones de sortie (un pour la probabilité correspondant à une mine et l’autre pour la probabilité correspondant à un rocher)

  • 300 epochs

  • Un taux d’apprentissage de 2.0

  • Des poids initialisés dans l’intervalle ...