Mode d'emploi PALISADE NEURALTOOLS 5.5

[. . . ] Guide d'utilisation NeuralTools Compagnon de réseaux neuronaux pour Microsoft Excel ® Version 5. 5 janvier, 2010 Palisade Corporation 798 Cascadilla St. Ithaca, NY 14850 États-Unis +1-607-277-8000 +1-607-277-8001 (fax) http://www. palisade. com (site Web) sales@palisade. com (courriel) Avis de copyright Copyright © 2010, Palisade Corporation. Marques déposées Microsoft, Excel et Windows sont des marques déposées de Microsoft Corporation. IBM est une marque déposée d'International Business Machines, Inc. Palisade, TopRank, BestFit et RISKview sont des marques déposées de Palisade Corporation. Bienvenue à NeuralTools pour Excel Bienvenue NeuralTools apporte à Microsoft Excel, l'étalon de l'analyse et de la modélisation, un nouvel et puissant ensemble d'outils ! [. . . ] Dans une recherche de réseau optimal, NeuralTools teste toutes les configurations de réseau cochées, y compris les réseaux PNN/GRNN et MLFN à nombre de noeuds défini dans la plage minimum-maximum. La configuration la plus performante pour les données considérées est identifiée en fonction de l'erreur obtenue sur données soumises au test. Sous l'option Stocker tous les réseaux d'essai dans un nouveau classeur, on peut charger individuellement chaque réseau testé (indépendamment de son niveau de performance) depuis son classeur et l'utiliser pour la prédiction après la formation. Un rapport de synthèse de test complet est aussi disponible pour chaque réseau. Ces types de réseau ne requièrent la sélection d'aucune autre option de formation. Il s'agit, pour cette raison, de l'option sélectionnée par défaut à l'installation de NeuralTools. Pour les valeurs de sortie numériques, un réseau GRNN est formé. Pour les valeurs de sortie catégorielles, le réseau formé est de type PNN. Un réseau « feedforward » MLF comporte une ou plusieurs couches cachées de noeuds. 2) 3) 56 Commandes La sélection de zéro noeud pour la seconde couche élimine cette couche. Pour identifier la meilleure configuration possible d'un réseau MLFN, le moyen le plus fiable est de sélectionner l'option Recherche du réseau optimal plutôt que celle de formation d'un simple réseau MLF. S'il n'est pas possible, par manque de temps, de rechercher le réseau optimal, il est recommandé de garder la valeur « Automatique » comme « Nombre de noeuds ». Onglet Temps d'exécution L'onglet Temps d'exécution de la boîte de dialogue Formation sert à définir les conditions d'arrêt de la formation. Si aucune condition d'arrêt n'est sélectionnée, la formation finit par s'arrêter d'elle-même : le délai est relativement bref pour les réseaux PNN/GRNN et beaucoup plus long pour les réseaux MLF. Une approche possible consiste à ne sélectionner aucune condition d'arrêt et à cliquer sur le bouton d'arrêt de la boîte de dialogue de progression quand le temps disponible à la formation est écoulé. Sous l'option de recherche du réseau optimal, une limite de temps doit être définie pour la formation d'un réseau, afin d'éviter que l'algorithme de recherche ne consacre trop de temps à une configuration particulière. Les trois conditions d'arrêt proposées peuvent être combinées. NeuralTools s'arrête dans ce cas dès le moment où l'une des conditions est remplie. Référence : Commandes du menu NeuralTools 57 Les options Temps d'exécution de formation suivantes sont proposées : · Durée ­ Spécifie une durée fixe de formation par réseau. La formation peut s'interrompre avant l'écoulement de la durée spécifiée, dès que l'algorithme détermine peu probable tout progrès ultérieur. Sous l'option de recherche du réseau optimal, la formation de chaque configuration testée est limitée à la durée indiquée. · Essais ­ Spécifie le nombre maximum d'essais qui seront effectués avant l'arrêt. Sous l'option de réseau MLF, un « essai » représente une affectation de « poids » aux connexions entre les neurones. La formation consiste en une recherche intelligente de poids aptes à produire les meilleures prédictions. Sous l'option de réseau PNN/GRNN, un essai est une affectation de « facteurs de lissage » aux variables. [. . . ] Les valeurs de sortie des neurones de la couche de sommation peuvent être interprétées comme les estimations d'une fonction de densité de probabilité pour chaque classe. Le neurone de sortie sélectionne la catégorie à valeur de fonction de probabilité la plus élevée comme catégorie prédite. En savoir plus sur les réseaux neuronaux 101 Comme pour les réseaux GRNN, la formation d'un réseau PNN consiste à optimiser les facteurs de lissage pour minimiser l'erreur sur l'ensemble de formation. La méthode d'optimisation du gradient conjugué est également utilisée à cette fin. La mesure d'erreur utilisée lors de la formation pour évaluer les différents ensembles de facteurs de lissage se calcule sur la base de toutes les valeurs renvoyées par les neurones de la couche de sommation pour tous les cas de formation. [. . . ]