correct plot error*

perceptron-tp3.py

@@ -47,13 +47,12 @@ if __name__ == '__main__':
     # Paramètres d'apprentissage
     learning_rate = 0.034
     max_iterations = 2000
-    num_hidden = 200
+    num_hidden = 10
 
     # Initialiser les poids pour l'entrée dans la couche cachée et masqués dans la couche de sortie
     weights_input_hidden = np.random.rand(num_features + 1, num_hidden) - 0.5
     weights_hidden_output = np.random.rand(num_hidden + 1) - 0.5
-    errors_x = []
-    errors_y = []
+    error_points = np.empty((0,2))
 
     print("Weights input to hidden:", weights_input_hidden)
     print("Weights hidden to output:", weights_hidden_output)
@@ -79,12 +78,6 @@ if __name__ == '__main__':
 
             total_error += (target - output) ** 2 / 2
 
-            # Ajouter les coordonnées des erreurs à la liste
-            if target != round(output):
-                errors_x.append(X[i, 0])
-                errors_y.append(X[i, 1])
-
-
         if (iteration % 10 == 0) or iteration == 0: # print tous les 5 iterations
             print(f"Iteration {iteration + 1}: Error = {total_error}")
 
@@ -97,6 +90,8 @@ if __name__ == '__main__':
         pred = 1 if output >= 0.5 else 0
         if pred == target:
             correct_classifications += 1
+        else:
+            error_points = np.vstack((error_points, X[i]))
 
     accuracy = correct_classifications / len(X)
     print(f"Taux de classifications correctes: {accuracy * 100}%")
@@ -105,9 +100,11 @@ if __name__ == '__main__':
     plt.figure()
     plt.scatter(X[y == 0][:, 0], X[y == 0][:, 1], color='green', label='Classe 0')
     plt.scatter(X[y == 1][:, 0], X[y == 1][:, 1], color='blue', label='Classe 1')
-    plt.scatter(errors_x, errors_y, color='red', marker='x', label='Erreurs')
-    plt.title('Données')
+    plt.scatter(error_points[:, 0], error_points[:, 1], color='red', label='Erreurs')
+    plt.title('Données avec Points d\'Erreur en Rouge')
     plt.xlabel('Norm_Grade_1')
     plt.ylabel('Norm_Grade_2')
     plt.legend()
     plt.show()
+
+