Précision des algorithmes d'apprentissage de Neuro One

PRECISION des algorithmes d'apprentissage de NEURO ONE.






Ce tableau a pour but de tester l'efficacité des algorithmes de régression de Neuro One. Pour cela, on se sert de données certifiées par le NIST et décrites dans cette page ou sur la page officielle du NIST.

Chaque ligne représente un des exemples fourni par le NIST. Ils sont classés en trois groupes : les exemples faciles, moyens et difficiles.

La colonne Algorithme indique quel a été l'algorithme de régression le plus efficace pour l'exemple choisi : Levenberg-Marquardt (LM), Quasi-Newton (BFGS) ou l'algorithme du Gradient (Grad).

Start 1 et Start 2 réprésentent les initialisations des paramètres proposées par NIST : Start 1 est une initialisation éloignée de la solution finale alors que Start 2 est une initialisation plus proche de celle-ci.

Pour chacune de ces 2 initialisations, la colonne itération indique le nombre d'itérations réalisées par Neuro One pour l'algorithme considéré (Levenberg-Marquardt, BFGS, Gradient)

Le nombre de chiffres significatifs indique la précision avec laquelle Neuro One retrouve les paramètres certifiés par NIST. C'est le nombre minimum de chiffres communs entre tous les paramètres calculés par Neuro One et ceux certifiés par le NIST.

Pour avoir accès à des informations plus précises pour chaque exemple, cliquer sur le nom de l'exemple.


		Start 1 : Initialisation difficile		Start 2 : Initialisation facile
Exemples faciles	Algorithme	Itérations	Nbre de chiffres sigificatifs	Itérations	Nbre de chiffres sigificatifs	Remarques
Misra1 a	L-M*	26	10	17	10
Chwirut2	L-M*	15	8	10	10
Exemples moyens
Kirby2	L-M*	14	10	12	9
Hahn1	L-M*	31	9	17	10
MGH17	L-M*			36	8	1
Gauss3	L-M*	11	9	13	10
Misra1 c	L-M*	21	11	19	11
Misra1 d	L-M*	17	8	18	10
Exemples difficiles
MGH09	L-M	188	7	44	7
Thurber	L-M*	49	7	40	7
BoxBOD	Grad+L-M	10+22	8	20	9	2
Rat42	L-M*	15	10	14	10
MGH10	Grad+BFGS	20+2943	6	614	6	3
MGH10	L-M	6036	10	302	10
Eckerle4	L-M*	37	10	18	10	4
Rat43	L-M*	22	9	12	7
Bennet5	BFGS	1657	4	2672	4	5


Remarque 1 : Pas de bon résultat à partir de l'initialisation "Start 1"

Remarque 2 : Il faut d'abord effectuer 10 itérations avec un algorithme du gradient à partir de l'initialisation "Start 1"

Remarque 3 : Il faut d'abord effectuer 20 itérations avec un algorithme du gradient à partir de l'initialisation "Start 1"

Remarque 4 : Il y a 2 solutions possibles pour les paramètres béta1 et béta2. Suivant leur initialisation, ils sont tous les deux positifs ou bien tous les deux négatifs

Remarque 5 : Le nombre d'itérations nécessaires avec l'algorithme L-M est supérieur à 32000

* : Signale les exemples réalisés avec les réglages par défaut de NeuroOne

Lire le tableau complet des résultats.

Accéder aux modèles et jeux de données du NIST.

Veuillez nous contacter si vous souhaitez en savoir davantage sur les algorithmes d'apprentissage de NEURO ONE.