Réseau neuronal dans Excel

Ce tutoriel explique comment configurer et interpréter un réseau neuronal en utilisant XLSTAT-R dans Excel.

Qu'est-ce qu'un réseau neuronal ?

Les réseaux de neurones sont de puissants algorithmes d'apprentissage automatique utilisés dans diverses disciplines telles que la reconnaissance de formes, l'exploration de données, le diagnostic médical et la détection des fraudes. De façon simplifiée, un réseau neuronal reçoit une grande quantité d'informations et développe ensuite un système permettant d'apprendre à partir de cette information. Par exemple, dans la reconnaissance vocale, le réseau neuronal peut apprendre des enregistrements sonores et utiliser ces connaissances pour transformer les sons en texte.

Un réseau neuronal est composé d'un certain nombre de neurones interconnectés (nœuds) organisés en une série de couches (une couche d'entrée, une ou plusieurs couches cachées et une couche de sortie).

La fonction de réseau neuronal développée dans XLSTAT-R appelle la fonction neuralnet issue du package neuralnet dans R (Stefan Fritsch).

Jeu de données pour créer un réseau neuronal avec XLSTAT-R

Les données correspondent aux données Boston du package MASS. Celui-ci contient des informations sur la valeur des logements dans les banlieues de Boston, comme le taux de criminalité par habitant par ville, le nombre moyen de pièces par logement et la valeur médiane des maisons occupées par leur propriétaire. A l'origine, il a été publié par Davis Harrison et Daniel L. Rubinfeld [Harrison, D. and Rubinfeld, D.L. "Hedonic prices and the demand for clean air", J. Environ. Economics & Management, vol.5, 81-102, 1978].

L'objectif consiste ici à prédire la valeur médiane des maisons occupées par leur propriétaire à l'aide des autres variables disponibles. Pour les besoins de ce tutoriel, les données initiales ont été rééchelonnées et réparties aléatoirement en un jeu de données d'entrainement et de test.

Paramétrer un réseau neuronal avec XLSTAT-R

Après avoir lancé XLSTAT, allez dans XLSTAT-R / neuralnet / Neural networks comme illustré ci-dessous :

La boîte de dialogue "Neural networks" s'ouvre alors. Dans l'onglet Général, sélectionnez la plage N1:N381 dans le champ variables dépendantes ainsi que la plage A1:M381 dans le champs variables quantitatives explicatives. Les données sélectionnées correspondent aux données d'entraînement.

Dans l'onglet Options, entrez 5,3 dans le champ neurones par couche afin de définir le nombre de neurones dans les couches cachées. RProp+ se réfère à l'algorithme resilient backpropagation avec suivi du poids.

Dans l'onglet Prévisions, sélectionnez la plage A383:M509 dans le champ Variables quantitatives explicatives. Ces observations proviennent des données d'essai. Cliquez sur OK pour lancer les calculs.

Interpréter les sorties du réseau neuronal

Le réseau neuronal créé est représenté par le graphique suivant : Les lignes noires montrent les liens entre chaque couche et les poids de chaque liaison, tandis que les lignes bleues indiquent le biais ajouté à chaque étape. Les résultats affichés dans le graphique sont aussi fournis dans le tableau des poids de la sortie XLSTAT.

Pour les premières observations, les prédictions du jeu de test sont affichées dans le tableau suivant :

Afin de visualiser la performance du réseau neuronal, nous pouvons tracer le medv prédictif par rapport au medv réel (voir ci-dessous). Nous observons une forte corrélation entre les prédictions du modèle et les valeurs observées. Cela permet de penser que le modèle de prédiction semble bon.

Source: https://www.r-bloggers.com/fitting-a-neural-network-in-r-neuralnet-pac