Update perceptron.py

perceptron.py

+# Author : Capt Thibault , Souza Luz Juliano
+# Date : 31.10.2023
+# Project : Perceptron
+# Description : Ce fichier représente notre travail pour le tp du perceptron
 import numpy as np
 import pandas as pd
+from matplotlib import pyplot as plt
+
+
+def upd_weights(wi_old, learning, t, y, xi):
+    """
+    Mettre à jour les poids
+    :param wi_old: Les anciens poids
+    :param learning: Le taux d'apprentissage ( qui contrôle la vitesse de convergence)
+    :param t: La valeur cible
+    :param y: La sortie actuelle du modèle pour l'exemple donné
+    :param xi: Les caractéristiques de l'exemple d'apprentissage
+    :return: Les poids mis à jour
+    """
+    return wi_old + learning * (t - y) * y * (1 - y) * xi
+
+
+def sigmoide(x):
+    """
+    Calcule la fonction sigmoïde (fonction d'activation) pour une valeur x
+    :param x: La valeur d'entrée.
+    :return: La sigmoide en fonction de x.
+    """
+    return 1 / (1 + np.exp(-x))
+
 
 if __name__ == '__main__':
     dataset = pd.read_csv("Data/student-data-train.csv", header=0)
-    X = dataset.iloc[:, 1:].values
-    dataset['norm_grade_1'] = (dataset["grade_1"] - dataset["grade_1"].mean()) / dataset["grade_1"].std()
-    dataset['norm_grade_2'] = (dataset["grade_2"] - dataset["grade_2"].mean()) / dataset["grade_2"].std()
-    n = 1e-4  # taux d'apprentissage
+    # Normalisation des colonnes
+    dataset['norm_grade_1'] = (dataset['grade_1'] - dataset['grade_1'].mean()) / dataset['grade_1'].std()
+    dataset['norm_grade_2'] = (dataset['grade_2'] - dataset['grade_2'].mean()) / dataset['grade_2'].std()
+
+    # Extraction des données
+    X = dataset[['norm_grade_1', 'norm_grade_2']].values
+    y = dataset.iloc[:, 0].values
+    num_features = X.shape[1]
+    # ------------------- Paramètres ------------------
+    learning_rate = 1e-2  # Taux d'apprentissage
     max_iterations = 2000
-    # Init aléatoirement les poids w(i), 0<=i<=n
-    # répeter jusqua convergence :
-    # pour chaque exemple
-    # calculer la valeur de sortie o du réseau
-    # ajuster les poids :
+    # Initialisation aléatoire des poids (+1 pour le biais)
+    poids = np.random.rand(num_features + 1)
+    print("Poids initiaux:", poids)
+    # Boucle d'apprentissage
+    for iteration in range(max_iterations):
+        total_error = 0
+        for i in range(len(X)):
+            # Ajout du biais (X0 = 1)
+            input_data = np.insert(X[i], 0, 1)
+            cible = y[i]
+            # Calcul de la sortie du réseau
+            sortie = sigmoide(np.dot(poids, input_data))
+            # Mise à jour des poids
+            poids = upd_weights(poids, learning_rate, cible, sortie, input_data)
+            # Calcul de l'erreur quadratique
+            total_error += (cible - sortie) ** 2
+
+        # Affichage de l'erreur à chaque itération (à enlever pour de meilleures performances)
+        print(f"Iteration {iteration + 1}: Erreur = {total_error}")
+
+    # Calcul du taux de classification correcte
+    correct_classifications = 0
+    for i in range(len(X)):
+        input_data = np.insert(X[i], 0, 1)
+        cible = y[i]
+        sortie = sigmoide(np.dot(poids, input_data))
+        pred = 1 if sortie >= 0.5 else 0
+        if pred == cible:
+            correct_classifications += 1
+
+    accuracy = correct_classifications / len(X)
+    print(f"Taux de classifications correctes: {accuracy * 100}%")
+
+    # Affichage de la droite de séparation des classes
+    w1, w2, b = poids[1], poids[2], poids[0]
+    pente = -w1 / w2
+    intercept = -b / w2
+    print(f"Droite de séparation: y = {pente}x + {intercept}")
+
+    # Tracer la droite de séparation (diagonale)
+    plt.figure()
+    plt.scatter(X[y == 0][:, 0], X[y == 0][:, 1], color='red', label='Classe 0')
+    plt.scatter(X[y == 1][:, 0], X[y == 1][:, 1], color='blue', label='Classe 1')
+    plt.plot([-2, 2], [-2 * pente + intercept, 2 * pente + intercept], color='green', label='Droite de séparation')
+    plt.title('Données avec la droite de séparation')
+    plt.xlabel('Norm_Grade_1')
+    plt.ylabel('Norm_Grade_2')
+    plt.legend()
+    plt.show()