Rapport 2
Modélisation à l’aide des réseaux de
neurones
Réalisé par :
MIFTAH Jaouad
SKALLI Youssef
I.) Introduction
L'utilisation des réseaux de neurones dans la recherche de modèles de
prédiction représente l'une des avancées les plus prometteuses en matière
d'intelligence artificielle. Ces systèmes s'inspirent du fonctionnement du
cerveau humain pour résoudre des tâches complexes, allant de la
reconnaissance de motifs à la prédiction de valeurs futures.
Dans cette introduction, nous allons explorer les fondements de cette
approche révolutionnaire et examiner comment les réseaux de neurones sont
déployés pour construire des modèles de prédiction robustes et précis.
Les réseaux de neurones sont des structures composées de couches de
neurones interconnectés, capables d'apprendre à partir de données. Chaque
neurone traite l'information qu'il reçoit, puis transmet une réponse à travers
les connexions vers les couches suivantes. Ces connexions sont pondérées, ce
qui signifie que certaines influences sont renforcées tandis que d'autres sont
atténuées, permettant ainsi au réseau de détecter des motifs complexes dans
les données.
L'apprentissage d'un réseau de neurones se déroule en deux phases
principales : la phase d'entraînement et la phase de test. Pendant
l'entraînement, le réseau est exposé à un ensemble de données étiquetées, et il
ajuste les poids des connexions pour minimiser l'erreur entre les prédictions
du modèle et les étiquettes réelles. Une fois que le réseau a appris à
généraliser à partir de ces données d'entraînement, il peut être testé sur des
données qu'il n'a jamais vues auparavant pour évaluer sa capacité à faire des
prédictions précises.
Les applications des réseaux de neurones dans la prédiction sont vastes. Ils
sont utilisés dans des domaines tels que la finance pour prédire les marchés,
la médecine pour diagnostiquer des maladies, la météorologie pour anticiper
les conditions climatiques, et bien d'autres. Leur capacité à extraire des
informations complexes à partir de grandes quantités de données en fait des
outils inestimables pour de nombreuses disciplines. Toutefois, il convient de
noter que la conception et l'entraînement de réseaux de neurones ne sont pas
sans défis. Ils nécessitent souvent des ensembles de données volumineux et
de qualité, ainsi qu'un réglage minutieux des hyperparamètres pour obtenir
des performances optimales.
De plus, l'interprétation des décisions prises par un réseau de neurones peut
parfois être difficile, ce qui soulève des questions d'éthique et de
transparence.
II.) Recherche du modèle adéquate
NB : En ce qui concerne notre de modélisation nous avons établi trois
modèles ; pour la base de données la plus grandes (ou il n’y’avait pas de
valeurs négatives), le premier modèle concerne les deux sorties « J_fo (kg/s) »
et « Js_fo (kg/s) » par ce que les deux sont très petites, le deuxième modèle
concerne la sortie « Q_cooler (W) » et le troisième modèle concerne les deux
sorties « LCOW_FO ($/m3) » et « Cdout (M) ». Pour l’autre base de
données nous avons établis deux modèles chacun correspondant à une sortie
« J_md (kg/s) » , « LCOW_MD ($/m3) », parce qu’il y’a un écart très grand
entre les deux.
Mais ce rapport ne couvrira que le modèle de sortie « Q_cooler (W) », dans la
première partie, et le modèle de « LCOW_MD ($/m3) », dans la deuxième
partie, parce que c’est le même processus de recherche et de validation qui se
répète.
1.) Une seule couche.
Dans un premier temps nous avons commencé par un modèle contenant une
seule couche cachée plus une couche d’entrée une de sortie, et comme le montre
la figure ci-dessous, le model a 119 paramètres à entrainer.
Apres avoir entrainé ce premier modèle nous avons obtenu une erreur carre
moyenne égale a 5626926.5 et une erreur absolue moyenne égale a 678.23, ce
qui nous pousse à chercher quelque chose de mieux.
2.) Deux couches
3.) Quatre couches
4.) Huit couches
5.) Dix couches
6.) Onze couches
7.) Douze couches
8.) Quatorze couches
Donc nous remarquons bien que ‘mae’ a augmenté par rapport à la valeur
précédente.
On trace ci-dessus la variation du ‘mae’ en fonction du nombre de couches
déployé.
Nous remarquons bien que le modèle a 12 coches est le ‘mae’ le plus minimal
Les deux figures ci-dessous représente l’évolution du mse et mae en fonction
des époques d’entrainement on voit bien qu’il n’y’a pas un problème
d’overfitting pour le modèle retenu à 12 couches.
III.)Evaluation du modèle trouvé
Pour évaluer la capacite prédictive de notre modèle nous allons nous
intéresser à trois critères qui sont décrit ci-dessous.
1.) Valeurs théoriques en fonction des valeurs expérimentales
Dans la figure ci-dessous nous avons tracé la distribution des valeurs théoriques
en fonction de celles expérimentales, comme nous pouvons le remarquer le
nuage de point suit la première bissectrice, ce que nous cherchons à trouver.
2.) Distribution des résidus
Par la suite nous avons proposé de voir comment la distribution des résidus se
comporte, et la figure ci-dessous montre bien que les résidus entourent la droite
horizontale passant par zéro, ce qui est formidable.
3.) Coefficient de corrélation
Par la suite nous avons essayé de déterminer la corrélation entre les valeurs
expérimentales et théoriques et nous avons trouvé un coefficient qui est très
proche de 1.
IV.) Recherche deuxième modèle
Nous proposons maintenant de chercher le deuxième modèle.
Nous avons commencé par interroger le premier modèle retenu dans la première
partie, c’est vrai que les deux bases de données contiennent les mêmes variables
indépendantes mais cela ne veut pas dire qu’elles auront forcement le même
modèle, ce qui sera illustrer ci-dessous.
L’erreur du modèle à 12 couches
L’erreur du modèle à 11 couches
L’erreur du modèle à 10 couches
L’erreur du modèle à 8 couches
L’erreur du modèle à 4 couches
Nous traçons par la suite l’évolution de l’erreur en fonction du nombre de
couches. On trouve la figure ci-dessous.
Donc d’après la figure ci-dessus le modèle à 8 couches est le plus
convenable.
De plus il ne représente pas d’overfitting (voir figures ci-joint).
V.) Evaluation du modèle
1.) Les valeurs théoriques en fonction des valeurs expérimentales
La figure suivante montre que la distribution suit la première bissectrice.
2.) Distribution des résidus.
Les résidus suivent bien la droite d’équation y=0.
3.) Corrélation
Le coefficient de corrélation entre les valeurs expérimentales et les valeurs
théoriques est de l’ordre de 0.99 ce qui est très proche de 1.
VI.) Conclusion
En conclusion, l'utilisation des réseaux de neurones pour la recherche de
modèles de prédiction représente une avancée majeure dans le domaine de
l'intelligence artificielle. Ces structures inspirées du cerveau humain ont
démontré leur efficacité dans la résolution de tâches complexes et variées, de la
prédiction des marchés financiers au diagnostic médical en passant par la
météorologie. Leur capacité à extraire des informations pertinentes à partir de
grandes quantités de données en fait des outils inestimables pour de nombreuses
disciplines.
Cependant, il est important de souligner que l'utilisation des réseaux de neurones
n'est pas sans défis. Ils requièrent des ensembles de données conséquents et de
qualité, ainsi qu'un réglage minutieux des paramètres pour obtenir des
performances optimales.