Master Data Science 2 ISAEG
TP
Régression non linéaire avec un réseau de neurones
Cette page présente un exemple d'approximation d'une courbe à l'aide d'un
réseau de neurones. Cet exemple montre et détaille comment résoudre un
problème de régression non linéaire avec TensorFlow.
Définition du problème
Le but de cet exemple est d'approximer une fonction non linéaire donnée par
l'équation suivante :
Les points bleus représentent un échantillon de notre jeu d'apprentissage, la ligne
rouge est l'approximation faite par le réseau de neurones artificiel
Travail à Faire :
1. Commençons par importer les bibliothèques nécessaires
Dr. Marwa Chabbouh TP Machine Learning Page 1 sur 3
Master Data Science 2 ISAEG
• numpy pour les tableaux et les matrices
• matplotlib pour afficher les graphiques
• google.colab pour télécharger les fichiers (seulement si vous
utilisez Google Colaboratory)
• Tensorflow pour les réseaux de neurones
• math pour la fonction cosinus
2. Ensuite, créons le jeu de données pour l'apprentissage. x_data est composé
de 1000 points, et un bruit normal est ajouté sur l'axe des ordonnées pour
chaque point multiplié par 0.1
Voici un échantillon du jeu de données utilisé pour l'apprentissage :
3. Une fois Lorsque notre jeu de données est prêt, nous pouvons créer le réseau
• La première couche contient un seul neurone linéaire (pour l'entrée)
• La seconde couche contient 64 unité de type RELU
• La troisième couche contient 64 unité de type RELU
• La dernière couche ne contient qu'une unité linéaire (pour la sortie)
4. Une fois le modèle créé, entraînons notre réseau 100 fois (epochs) sur notre
jeu de données
5. Train on 1000 samples
6. Epoch 1/100
Dr. Marwa Chabbouh TP Machine Learning Page 2 sur 3
Master Data Science 2 ISAEG
7. 1000/1000 [==============================] - 0s 321us/sample -
loss: 0.2125
8. Epoch 2/100
9. 1000/1000 [==============================] - 0s 49us/sample -
loss: 0.1914
10. Epoch 3/100
11. 1000/1000 [==============================] - 0s 50us/sample -
loss: 0.1932
12. Epoch 4/100
13. 1000/1000 [==============================] - 0s 60us/sample -
loss: 0.1922
14.
15. ...
16.
17. Epoch 97/100
18. 1000/1000 [==============================] - 0s 59us/sample -
loss: 0.0180
19. Epoch 98/100
20. 1000/1000 [==============================] - 0s 53us/sample -
loss: 0.0188
21. Epoch 99/100
22. 1000/1000 [==============================] - 0s 54us/sample -
loss: 0.0161
23. Epoch 100/100
24. 1000/1000 [==============================] - 0s 55us/sample -
loss: 0.0147
5. Lancer des prédictions
6. Afficher les résultats
Dr. Marwa Chabbouh TP Machine Learning Page 3 sur 3
