public void Run()
{
int i = 0;
double totalError = Double.PositiveInfinity;
double oldError = Double.PositiveInfinity;
double totalGeneralisationError = Double.PositiveInfinity;
double oldGeneralisationError = Double.PositiveInfinity;
Boolean betterGeneralisation = true;
while (i < maxIterations && totalError > maxError && betterGeneralisation)
{
/* On met à jour les erreurs de l’itération précédente et on initialise les erreurs pour
* cette itération.*/
oldError = totalError;
totalError = 0;
oldGeneralisationError = totalGeneralisationError;
totalGeneralisationError = 0;
// Evaluation
foreach (DataPoint point in data.Points())
{
/* Pour chaque point d’apprentissage, on calcule sa sortie et l’erreur commise,
* et on adapte les poids du réseau.*/
double[] outputs = network.Evaluate(point); // Tableau des sorties des différents neurones de sortie.
for (int outNb = 0; outNb < outputs.Length; outNb++)
{
// Calcal de l'erreur globale dans l'ensemble d'Apprentissage.
double error = point.Outputs[outNb] - outputs[outNb];
totalError += (error * error);
}
// Calcul des nouveaux poids par rétropropagation
network.AdjustWeights(point, learningRate);
}
// Généralisation
foreach (DataPoint point in data.GeneralisationPoints())
{
/*Pour chaque point de généralisation, on calcule la sortie et l’erreur.*/
double[] outputs = network.Evaluate(point);
for (int outNb = 0; outNb < outputs.Length; outNb++)
{
// Calcal de l'erreur globale dans l'ensemble de Généralisation.
double error = point.Outputs[outNb] - outputs[outNb];
totalGeneralisationError += (error * error);
}
}
if (totalGeneralisationError > oldGeneralisationError)
{
betterGeneralisation = false; // Surapprentissage.
}
// Changer le taux
if (totalError >= oldError)
{
/* Si l’erreur en apprentissage augmente, c’est que le taux d’apprentissage est trop fort,
* on le divise alors par deux.*/
learningRate = learningRate / 2.0;
}
// Information et incrément
ihm.PrintMsg("Iteration n°" + i + " - Total error : " + totalError + " - Gener Error : " + totalGeneralisationError + " - Rate : " + learningRate + " - Mean : " + String.Format("{0:0.00}", Math.Sqrt(totalError / data.Points().Length), "%2"));
i++;
// Affichage des valeurs sur l’itération en cours (erreurs et taux).
}
}