De nouveaux outils pour créer des modèles de prévision

PASW® Neural Networks 18 – Spécifications
De nouveaux outils pour créer
des modèles de prévision
Votre organisation doit identifier les modèles et les
miser les risques d’erreur et produire des prévisions précis-
connexions dans l’environnement complexe et changeant
es. Vous définissez les conditions sous lesquelles le réseau
dans lequel vous travaillez afin de prendre des décisions
« apprend » et vous avez la possibilité de contrôler précisé-
plus judicieuses pour chaque problème. Vous utilisez sans
ment les règles d’arrêt d’apprentissage et l’architecture du
doute PASW® Statistics Base* et un ou plusieurs modules
réseau ou de laisser la procédure choisir automatiquement
complémentaires pour vous aider dans cette tâche. Si c’est
la meilleure architecture à votre place. Vous pouvez associer
le cas, vous savez quelle puissance et quelle polyvalence
PASW Neural Network avec d’autres procédures statistiques
vous avez à portée de main. Mais vous pouvez faire
pour bénéficier d’une vision plus détaillée dans un certains
encore plus. Vous pouvez explorer les modèles les plus
nombres de domaines. Dans le cas des études de marché,
sophistiqués avec PASW Neural Networks*. Ce module
par exemple, vous pouvez créer des profils de clients et
vous permet de découvrir les relations les plus complexes
découvrir leurs préférences. Si votre marketing s’appuie sur
qui existent au sein de vos données et de générer des
des bases de données, vous pouvez segmenter votre base
modèles de prévision plus performants.
de clients afin d’optimiser les campagnes marketing.
Les procédures de PASW Neural Networks complètent les
Dans le cadre d’une analyse financière, vous pouvez
statistiques plus traditionnelles de PASW Statistics Base
utiliser PASW Neural Networks pour analyser la solvabilité
et de ses modules. Découvrez de nouvelles associations
des prospects et détecter les fraudes possibles. En analyse
dans vos données avec PASW Neural Networks, puis
opérationnelle, ce nouvel outil permet de gérer les flux
confirmez leur signification avec les techniques statistiques
de trésorerie et d’améliorer la planification logistique.
traditionnelles. PASW Neural Networks est disponible sous
Les applications scientifiques et médicales proposent des
forme d’application cliente autonome, mais une version
fonctions de prévision des coûts de traitement, d’analyse
serveur est également disponible pour de meilleures
de résultats médicaux et d’estimation de la durée d’un
performances.
séjour hospitalier.
Pourquoi utiliser un réseau de neurones ?
Contrôlez le processus du début à la fin
Un réseau de neurones est un ensemble d’outils de modé-
Avec PASW Neural Networks, vous avez le choix entre la
lisation de données non linéaires composé de couches
procédure Perceptron multicouches (MLP) et la procédure
d’entrée et de sortie, et d’une ou de deux couches mas-
de fonctions à base radiale (RBF).
quées. Les connexions entre les neurones de chaque couche
comprennent des pondérations associées qui sont ajustées
Ces deux procédures sont des techniques d’apprentissage
itérativement par l’algorithme d’apprentissage pour mini-
supervisées, c’est-à-dire qu’elles établissent les relations
impliquées par les données. Elles utilisent toutes les deux
des architectures d’anticipation, ce qui signifie que les don-
* PASW Neural Networks et PASW Statistics Base, anciennement nommés
SPSS Neural Networks et SPSS Statistics Base, font partie de la gamme
Predictive Analytics Software de SPSS Inc.
nées se déplacent dans une seule direction : elles partent
des noeuds d’entrée et atteignent les noeuds de sortie en
passant par la couche masquée. Vous choisirez la procédure
en fonction du type de données dont vous disposez ainsi que
Une plus grande valeur ajoutée grâce à la collaboration
du niveau de complexité que vous cherchez à découvrir. Si la
Pour partager et réutiliser efficacement les ressources,
procédure MLP est capable d’identifier des relations plus com-
protégez-les conformément aux exigences de conformité
plexes, la procédure RBF est généralement plus rapide.
internes et externes et publiez les résultats de manière à
ce qu’un plus grand nombre d’utilisateurs professionnels
Dans ces deux approches, vous répartissez vos données
puisse les voir et interagir avec. Pourquoi ne pas enrichir
en échantillons d’apprentissage, de test et de validation.
votre logiciel PASW Statistics avec PASW® Collaboration
Le groupe d’apprentissage est utilisé pour estimer les
and Deployment Services (anciennement SPSS Predictive
paramètres du réseau. L’échantillon de test est utilisé pour
Enterprise Services™) ? Vous trouverez des informations
éviter le surapprentissage. L’échantillon de validation est
complémentaires sur ces précieuses fonctionnalités dans
employé pour évaluer de façon indépendante le réseau final
la brochure « Collaboration », téléchargeable sur le site
qui est appliqué à l’ensemble du groupe de données et à
www.spss.com/fr/software/deployment/cds.
toutes les nouvelles données.
Vous spécifiez les variables dépendantes, qui peuvent être
des variables continues, des variables qualitatives, ou une
combinaison des deux. Si une variable dépendante possède
un niveau de mesure d’échelle, alors le réseau neuronal
prédit des valeurs continues qui sont des approximations de
la valeur « véritable » d’une fonction continue des données
d’entrée. Si une variable dépendante est qualitative, alors le
réseau neuronal est utilisé pour classer les observations dans
la « meilleure » catégorie d’après les prédicteurs d’entrée.
Vous ajustez la procédure en choisissant la manière dont le
groupe de données est partitionné, le type d’architecture que
vous voulez et les ressources de calcul qui seront attribuées
à l’analyse. Vous pouvez enfin choisir d’afficher les résultats
sous forme de tableaux ou de diagrammes, d’enregistrer des
Dans un réseau MLP comme celui représenté ici, les données vont de la couche
d’entrée à la couche de sortie en passant par une ou plusieurs couches cachées.
variables temporaires facultatives dans le groupe de données
actif et d’exporter les modèles sous forme de fichiers XML
pour évaluer des données ultérieures.
Chaque module de la famille PASW Statistics peut maintenant
être installé et exécuté séparément ou en conjonction avec
tout autre module. PASW Statistics Base n’est plus nécessaire
dans chaque cas car des fonctionnalités telles que l’accès et la
gestion des données de même que la création de diagrammes
ont été ajoutées à tous les modules. Vous bénéficiez ainsi
d’une plus grande flexibilité pour l’installation et l’utilisation
de cette application polyvalente. PASW Statistics Base est
toujours disponible et reste à la base de beaucoup de déploiements, car il contient des procédures et des tests statistiques
fondamentaux pour beaucoup d’analyses.
Dans la boîte de dialogue Perceptron multicouches (MLP), vous sélectionnez
les variables que vous voulez inclure dans votre modèle.
Fonctions
Perceptron multicouches (MLP)
La procédure MLP ajuste un type particulier
de réseau de neurones nommé perceptron
multicouches. Le perceptron multicouches
est une méthode supervisée qui utilise une
architecture d’anticipation. Il peut présenter
plusieurs couches masquées. Vous spécifiez une
ou plusieurs variables dépendantes, qui peuvent être des variables d’échelle, des variables
qualitatives, ou la combinaison des deux. Si
une variable dépendante possède un niveau de
mesure d’échelle, alors le réseau neuronal prédit
des valeurs continues qui sont des approximations de la valeur « véritable » d’une fonction
continue des données d’entrée. Si une variable
dépendante est qualitative, alors le réseau de
neurones est utilisé pour classer les observations dans la « meilleure » catégorie d’après les
variables indépendantes d’entrée.
■ Predicteurs
– Facteurs
– Covariables
■ La sous-commande EXCEPT liste toutes les
variables que la procédure MLP doit exclure
des listes de facteurs ou de covariables
sur la ligne de commande. Cette souscommande est utile si les listes de facteurs
ou de covariables contiennent un grand
nombre de variables.
■ La sous-commande RESCALE permet
d’échelonner les covariables ou les variables dépendant de l’échelle.
–Variable dépendante (si d’échelle) : standardisée, normalisée, ajustée normalisée, ou aucune option
–Covariables : standardisée, normalisée, ajustée normalisée, ou aucune option
La sous-commande PARTITION indique
la méthode de partitionnement de
l’ensemble de données actif en échantillons d’exploration, de test et de confirmation. L’échantillon d’exploration comprend
les enregistrements de données utilisés
pour former le réseau de neurones.
L’échantillon de test est un ensemble
d’enregistrements de données indépendant utilisé pour identifier une erreur
de prévision au cours de l’exploration
afin d’empêcher un surapprentissage.
L’échantillon de confirmation est un autre
ensemble d’enregistrements de données
indépendant utilisé pour évaluer le réseau
de neurones final. Vous pouvez spécifier :
–Le nombre relatif d’observations dans le
groupe de données actif à affecter aléatoirement à l’échantillon d’exploration
–Le nombre relatif d’observations dans le groupe de données actif à affecter aléatoirement à l’échantillon de test
–Le nombre relatif d’observations dans le groupe de données actif à affecter aléatoirement à l’échantillon de confirmation
–Une variable qui affecte chaque observation du groupe de données actif à
l’échantillon d’exploration, de test ou
de confirmation
■ La sous-commande ARCHITECTURE est utilisée pour spécifier l’architecture du réseau
de neurones. Vous pouvez spécifier :
–S’il faut utiliser la sélection automatique de l’architecture ou si l’automatisation
n’est pas utilisée
–Le nombre de couches cachées dans le réseau de neurones
–La fonction d’activation à utiliser pour
toutes les unités des couches cachées
(tangente hyperbolique ou sigmoïde)
–La fonction d’activation à utiliser pour
toutes les unités de la couche de sortie
(Identité, Tangente hyperbolique, sigmoïde
ou Softmax)
■
Fonctions susceptibles de changer en fonction de la version finale du produit.
La sous-commande CRITERIA spécifie les
paramètres de calcul et de ressource de la
procédure MLP. Vous pouvez spécifier le type
d’exploration, qui détermine la manière dont
le réseau de neurones traite les enregistrements de données d’exploration : apprentissage par lots, apprentissage en ligne,
apprentissage par mini-lots. Vous pouvez
également spécifier :
–Le nombre d’enregistrements
d’apprentissage par mini-lot (si
c’est la méthode sélectionnée
pour l’apprentissage)
–Le nombre maximum de cas à enregistrer en mémoire lorsque l’architecture
automatique et/ou l’apprentissage par
mini-lots sont appliqués.
–L’algorithme d’optimisation utilisé pour déterminer les pondérations synaptiques :
Méthode du gradient, Gradient conjugué
échelonné.
–Le taux d’apprentissage initial pour l’algorithme d’optimisation par méthode
du gradient
–La limite inférieure du taux
d’apprentissage lorsque la méthode du
gradient est utilisée avec un apprentissage en ligne ou par mini-lots
–Le taux de vitesse pour l’algorithme
descendant de gradient d’optimisation
–Le lambda initial, pour l’algorithme
d’optimisation par gradient conjugué
échelonné
–Le sigma initial, pour l’algorithme
d’optimisation par gradient conjugué
échelonné
–L’intervalle [a0−a, a0+a] au sein duquel
les vecteurs de pondération sont générés
aléatoirement en cas d’utilisation d’un
algorithme recuit simulé
■
La sous-commande STOPPINGRULES spécifie
les règles qui déterminent le moment où
l’apprentissage du réseau de neurones doit
être arrêté. Vous pouvez spécifier :
–Le nombre d’étapes n à autoriser avant de rechercher une baisse des erreurs de
prédiction
–Le nombre maximum d’itérations
autorisées
–La modification relative du rapport
d’erreur d’apprentissage.
–Le critère du ratio d’erreurs
d’apprentissage
■ La sous-commande MISSING vous permet
d’indiquer si les valeurs manquantes utilisateur de variables catégoriques (c’est-à-dire,
les facteurs et les variables dépendantes
qualitatives) sont traitées comme des
valeurs valides.
■ La sous-commande PRINT indique le résultat
tabulaire à afficher et peut être utilisée pour
demander une analyse de sensibilité. Vous
pouvez afficher :
–Le tableau de résumé du traitement de
l’observation
–Des informations sur le réseau de neurones, y compris les variables dépendantes, le nombre d’unités d’entrée et de
sortie, le nombre de couches et d’unités
cachées, et les fonctions d’activation
–Un résumé des résultats du réseau de
neurones, comprenant l’erreur globale
moyenne, la règle d’arrêt utilisée pour
interrompre l’apprentissage et la durée
d’apprentissage
–Un tableau de classification pour chaque
variable dépendante qualitative
–Les pondérations synaptiques, c’està-dire les estimations de coefficient,
depuis la couche i-1 unité j, jusqu’à
la couche i unité k
–Une analyse de sensibilité, qui calcule l’importante de chaque prédicteur dans la détermination du réseau de neurones
■
La sous-commande PLOT permet de spécifier
le résultat graphique à afficher. Vous pouvez
afficher :
–Un diagramme de réseau
–Un graphique de valeur prédite contre
valeur observée pour chaque variable
dépendante
–Un graphique de résidu contre valeur
prédite pour chaque variable dépendante
d’échelle
–Courbe Receiver Operating Characteristic
(ROC) pour chaque variable qualitative
dépendante. Cela affiche également un
tableau indiquant l’aire qui se trouve sous
chaque courbe.
–Les graphiques de gains cumulatifs de
chaque variable qualitative dépendante
–Les graphiques de lift de chaque variable
qualitative dépendante
■ La sous-commande SAVE écrit les variables
temporaires facultatives dans le groupe de
données actif Vous pouvez enregistrer :
– La valeur ou la catégorie prévue.
– La pseudo-probabilité prévue
■ La sous-commande OUTFILE enregistre des
fichiers au format XML qui contiennent les
pondérations synaptiques
■
Fonctions à base radiale (RBF)
La procédure RBF ajuste un réseau de neurones
avec fonctions à base radiale, qui est un réseau
d’apprentissage supervisé d’anticipation
possédant une couche d’entrée, une couche
cachée appelée couche de fonction à base radiale et une couche de sortie. La couche cachée
transforme les vecteurs d’entrée en fonctions à
base radiale. Tout comme la procédure MLP, la
procédure RBF réalise des opérations de prévision et de classification.
Fonctions susceptibles de changer en fonction de la version finale du produit. Pour en savoir plus, visitez le site www.spss.com. Pour
les sites SPSS et les numéros de téléphone, consultez
www.spss.com/worldwide.
SPSS est une marque déposée et les autres produits SPSS Inc. cités
sont des marques commerciales de SPSS Inc. Tous les autres noms
sont des marques commerciales de leurs propriétaires respectifs.
© 2009 SPSS Inc. Tous droits réservés. SN18SPC-0709-FR
La procédure RBF forme le réseau
en deux étapes :
1.La procédure détermine les fonctions à
base radiale à l’aide de méthodes de classification. Le centre et la largeur de chaque
fonction à base radiale sont déterminés.
2. La procédure estime les pondérations synaptiques d’après les fonctions à base radiale. La
fonction d’erreur « somme des carrés », avec
fonction d’activation d’identité pour la couche
cachée, est utilisée pour les opérations de
prévision et de classification. Une régression
des moindres carrés ordinaire est utilisée
pour réduire l’erreur de somme des carrés.
En raison de cette approche d’apprentissage
en deux étapes, les réseaux RBF sont
généralement formés bien plus rapidement
que les réseaux MLP.
Les sous-commandes répertoriées pour la
procédure MLP permettent de réaliser des
fonctions similaires pour la procédure RBF,
avec les exceptions suivantes :
■ Avec la sous-commande ARCHITECTURE,
les utilisateurs peuvent spécifier la fonction à base radiale gaussienne utilisée
dans la couche masquée : RBF normalisée
ou RBF ordinaire
■ Avec la sous-commande CRITERIA, les utilisateurs peuvent spécifier les paramètres
de calcul des procédures RBF, en indiquant
la quantité de chevauchement parmi les
unités cachées
Configuration requise
■ La configuration requise varie selon les
plates-formes. Pour plus d’informations,
consultez la page www.spss.com/fr/
statistics.