Perceptron

perceptron.py

# Script permettant de calculer les résultats de l'apprentissage d'un perceptron
# Ecrit dans le cadre de l'Ue Techniques d'Apprentissage Automatique du M2IA de Lyon 1
# (parce que calculer à la main des sommes de multiplications avec des virgules, c'est rigolo 5 minutes, mais pas 6)

# Paramètres

base_dapprentissage = [
  (1, 6, 4, 1),
  (1, 7, 5, 1),
  (1, 11, 16, -1),
  (1, 14, 11, -1),
  (1, 16, 5, -1)
]

base_de_tests = [
  (1, 1, 2, 1), # 1
  (1, 2, 16, 1), #2
  (1, 4, 9, 1), #3
  (1, 8, 13, -1), #6
  (1, 9, 9, -1) #7
]

poids = [10.0, 3.0, -2.0]

alpha = 0.1

# Implémentation

nb_param = len(poids)

donnee_actuelle = 0


def calculer_somme(vecteur_poids, transaction):
  somme = 0
  for i in range(len(vecteur_poids)):
    somme = somme + vecteur_poids[i] * transaction[i]
  return somme


est_stable = False

nb_passe = -1
while not est_stable:
  nb_passe = nb_passe + 1
  est_stable = True

  for i in range(len(base_dapprentissage)):
    t = base_dapprentissage[i]

    somme = calculer_somme(poids, t)

    if (somme < 0 and t[-1] > 0) or (somme > 0 and t[-1] < 0):
      est_stable = False
      for i in range(nb_param):
        poids[i] = poids[i] + t[-1] * t[i] * alpha
    
    print("somme trouvée = " + str(somme) + " ;  poids = " + str(poids))


print("Nombre de passes instables sur les données : " + str(nb_passe))
print("Poids finaux = " + str(poids))


print("== Somme de la base d'apprentissage")
for t in base_dapprentissage:
  somme = calculer_somme(poids, t)
  print(somme)


print("== Analyse sur la base de tests")
matrice_confusion = [[0, 0], [0, 0]]

for t in base_de_tests:
  somme = calculer_somme(poids, t)
  print(str(t[-1]) + " / " + str(somme))

  pos_classe = 0 if t[-1] == 1 else 1
  pos_classe_predite = 0 if somme > 0 else 1

  matrice_confusion[pos_classe][pos_classe_predite] = matrice_confusion[pos_classe][pos_classe_predite] + 1


print(matrice_confusion)