Noeud Réseau de neurones

ATTENTION :

Cette information s'applique à une version obsolète du noeud de modélisation Réseau de neurones ; elle est fournie à titre de référence uniquement. Une nouvelle version du noeud, avec des fonctions améliorées, est disponible dans cette version. Pour plus d'informations, voir la rubrique Réseaux de neurones. Bien que vous soyez encore en mesure de créer et d'évaluer un modèle avec la version obsolète, nous vous conseillons fortement d'utiliser la nouvelle version.

Le noeud Réseau de neurones (auparavant appelé "noeud RN") permet de créer un réseau de neurones et d'en effectuer l'apprentissage.

Les réseaux de neurones sont des modèles simples représentant le fonctionnement du système nerveux. Les unités de base sont les neurones. Ils sont généralement organisés en couches, comme l'illustre la figure ci-dessous.

Figure 1. Structure d'un réseau de neurones

Le noeud Réseau de neurones est un modèle simplifié de la manière dont le cerveau humain traite les informations. Le fonctionnement de ce modèle repose sur la simulation d'un grand nombre d'unités de traitement interconnectées, qui sont en quelque sorte des versions abstraites de nos neurones.

Ces unités de traitement sont organisées en couches. Il existe généralement trois types de couche dans un réseau de neurones : une couche d'entrée dans laquelle les unités représentent les champs d'entrée, une ou plusieurs couches cachées, ainsi qu'une couche de sortie dans laquelle des unités représentent les champs cibles. Les unités sont reliées entre elles par des connexions de puissance (ou de pondération) différentes. Les données d'entrée sont présentées dans la première couche et les valeurs transmises entre les neurones d'une couche à l'autre. Le résultat final est obtenu à partir de la couche de sortie.

Lors de son apprentissage, le réseau procède à l'examen de tous les enregistrements afin de générer des prévisions et modifie les pondérations lorsque l'une de ses prévisions s'avère incorrecte. Ce processus se répète plusieurs fois et le réseau continue d'améliorer ses prévisions jusqu'à ce que l'un des critères d'arrêt soit atteint.

Au début, tous les coefficients de pondération sont aléatoires et les réponses en provenance du réseau risquent de ne pas avoir de sens. Le réseau apprend à travers l'apprentissage. Les exemples dont le résultat est connu sont présentés à plusieurs reprises au réseau et les réponses qu'il donne sont comparées aux résultats connus. Les informations de cette comparaison sont réacheminées via le réseau, modifiant progressivement les coefficients de pondération. Au fur et à mesure de l'apprentissage, les résultats connus répliqués par le réseau sont à chaque fois plus précis. Lorsque l'apprentissage est terminé, le réseau peut être appliqué à d'autres observations pour lesquelles le résultat est inconnu.

Exemple. En filtrant les subventions pour le développement agricole dans le but d'y détecter d'éventuels cas de fraude, un réseau de neurones peut être utilisé pour une exploration approfondie des écarts par rapport à la norme, en mettant en relief les enregistrements non conformes et qui méritent des recherches supplémentaires. Vous vous intéressez en particulier aux demandes de subvention qui semblent requérir une somme trop élevée (ou trop faible) pour le type et la taille de la ferme concernée.

Conditions requises. Il n'existe aucune restriction concernant les types de champ. Les noeuds de réseau de neurones prennent en charge les entrées et les sorties aux formats numérique, symbolique et indicateur. Le noeud Réseau de neurones requiert au moins un champ avec le rôle Entrée et un champ avec le rôle Cible. Les champs paramétrés sur Les deux ou Aucun sont ignorés. Les types de champ doivent être entièrement instanciés au moment de l'exécution du noeud.

Puissance. Les réseaux de neurones constituent de puissants estimateurs de fonctions. En matière de prévision, ces réseaux se révèlent être aussi performants, voire plus performants que d'autres techniques. De plus, leur utilisation ne requiert qu'une connaissance limitée en matière de statistiques ou de mathématiques. IBM® SPSS Modeler contient plusieurs fonctions qui permettent d'éviter les pièges habituels des réseaux de neurones, par exemple, l'analyse de sensibilité (comme indiqué dans le graphique d'importance des variables) qui facilite l'interprétation du réseau, l'élagage et la validation qui permettent d'éviter le surentraînement, ou la notion de réseaux dynamiques qui permet de trouver automatiquement une architecture réseau appropriée.