Classement multiclasse avec PyTorch (Python)
Suite de la vidéo consacrée à la classification supervisée à l’aide des perceptrons simples et multicouches (réseaux de neurones), utilisation de la librairie PyTorch dédiée au machine learning / deep learning. Par rapport à classification binaire (cf. lien de la vidéo ci-dessous), plusieurs spécificités pour pouvoir traiter un problème multiclasse (variable cible catégorielle à plus [strictement] de 2 modalités) : nécessité d’encoder la variable cible catégorielle en matrice 0/1 via un codage disjonctif complet (OneHotEncoder) pour pouvoir utiliser le critère MSE ; utilisation d’une fonction de transfert adaptée (softmax) ; en prédiction, conversion de la matrice des probabilités d’affectation en vecteur de modalités. Traitement des données "iris".
Notebook et données : http://tutoriels-data-science.blogspo...
Vidéo classement binaire : • Classement binaire avec PyTorch (Python)
Lien PyTorch : https://pytorch.org/
Page de cours : https://cours-machine-learning.blogsp...
00:00 La librairie PyTorch pour le deep learning
04:11 Démarrage du notebook - Vérification des versions
05:03 Importation et préparation des descripteurs (standardisation, tenseur)
10:17 Préparation de la variable cible catégorielle (codage 0/1, tenseur)
13:20 Préparation de la structure - Perceptron simple multiclasse
19:56 Fonction de perte et algorithme d'optimisation
21:13 Vérification 1 - Architecture du réseau (coefficients)
22:55 Vérification 2 - Sortie du réseau et fonction de transfert softmax
24:33 Fonction pour le "fit" et entraînement du modèle
27:10 Coefficients du réseau après entraînement
27:52 Application sur l'éch. test - Matrice des probabilités d'appartenance
29:37 Conversion des probabilités en prédiction de la classe
32:45 Matrice de confusion