/// <summary>
/// Création, apprentissage et test du réseau en fonction des souhaits de l’utilisateur
/// (nombre de couches du réseau et nombre de neurones par couches cachées, nombre d’itérations
/// dans l’apprentissage et coefficient d’apprentissage) pour les données fournies dans
/// « dataetclassif.txt »
/// </summary>
private void Reseau_Button_Click(object sender, EventArgs e)
{
// Initialisation des variables
int NbCouches = 0;
int NbNeurones = 0;
int NbIterations = 0;
double CoefApprentissage = 0;
try
{
// Récupération des données inscrites dans les champs par l’utilisateur
NbCouches = Convert.ToInt32(NbCouches_TextBox.Text);
if (NbCouches <= 1)
{
throw new Exception("Le nombre de couches doit être au minimum de 2.");
}
NbNeurones = Convert.ToInt32(NbNeurones_TextBox.Text);
if (NbNeurones <= 0)
{
throw new Exception("Le nombre de neurones par couches cachées doit être au minimum de 1.");
}
NbIterations = Convert.ToInt32(NbIterations_TextBox.Text);
if (NbIterations <= 0)
{
throw new Exception("Le nombre d’itérations doit être au minimum de 1.");
}
CoefApprentissage = Convert.ToDouble(CoefApprentissage_TextBox.Text);
if (CoefApprentissage <= 0 && CoefApprentissage >= 1)
{
throw new Exception("Le coefficient d’apprentissage doit être compris entre 0 et 1 exclus.");
}
// Création du réseau (3 entrées car un couple de données + le biais)
Reseau = new Reseau(3, NbCouches, NbNeurones);
// Récupération des valeurs d’entrées
List <List <double> > Entrees = this.RecupererDonnees();
// Récupération des sorties désirées
List <double> Sorties = new List <double>();
for (int i = 0; i < 3000; i++)
{
if (i < 1500)
{
Sorties.Add(0.1);
}
else
{
Sorties.Add(0.9);
}
}
// Mélange des listes
List <List <double> > EntreesM = new List <List <double> >();
List <double> SortiesM = new List <double>();
for (int i = 0; i < 1500; i++)
{
EntreesM.Add(new List <double> {
Entrees[i][0] / 800.0, Entrees[i][1] / 800.0
});
SortiesM.Add(Sorties[i]);
EntreesM.Add(new List <double> {
Entrees[i + 1500][0] / 800.0, Entrees[i + 1500][1] / 800.0
});
SortiesM.Add(Sorties[1500 + i]);
}
// Apprentissage supervisé
Secondes = 0;
Chrono_Timer.Start();
Reseau.Retropropagation(EntreesM, SortiesM, CoefApprentissage, NbIterations);
Chrono_Timer.Stop();
// Affichage de l’image de résultat
Tests();
// Affichage des valeurs du fichier
for (int i = 0; i < 3000; i++)
{
Entrees[i][0] = Math.Floor(Entrees[i][0]);
Entrees[i][1] = Math.Floor(Entrees[i][1]);
if (i < 1500)
{
Supervise_Form.Image.SetPixel((int)Entrees[i][0], (int)Entrees[i][1], Color.Black);
}
else
{
Supervise_Form.Image.SetPixel((int)Entrees[i][0], (int)Entrees[i][1], Color.White);
}
}
// Calcul du pourcentage de bonne et mauvaise classification et calcul de l’erreur résiduelle
List <double> SortiesCalculees = Reseau.TesterReseau(EntreesM);
double ErreurResiduelle = 0;
int BonneClassification = 0;
int MauvaiseClassification = 0;
for (int i = 0; i < SortiesCalculees.Count; i++)
{
if (i % 2 == 0)
{
if (SortiesCalculees[i] < 0.5)
{
BonneClassification++;
}
else
{
MauvaiseClassification++;
}
ErreurResiduelle += Math.Abs(SortiesCalculees[i] - 0.1);
}
else
{
if (SortiesCalculees[i] > 0.5)
{
BonneClassification++;
}
else
{
MauvaiseClassification++;
}
ErreurResiduelle += Math.Abs(SortiesCalculees[i] - 0.9);
}
}
// Rafraîchissement de l’image et affiche des performances dans une boîte de dialogue
Resultat_PictureBox.Refresh();
string Message = "Pourcentage de bonne classification : " + Math.Round(BonneClassification / 3000.0, 4) * 100 +
"\nPourcentage de mauvaise classification : " + Math.Round(MauvaiseClassification / 3000.0, 4) * 100 +
"\nErreur résiduelle : " + Math.Round(ErreurResiduelle / 3000.0, 2);
MessageBox.Show(Message, "Information", MessageBoxButtons.OK, MessageBoxIcon.Information);
}
catch (Exception Ex)
{
MessageBox.Show(Ex.Message, "Erreur", MessageBoxButtons.OK, MessageBoxIcon.Error);
}
}
