[Skip Global Navigation]

Bienvenue sur le site de SPSS Maghreb
SPSS Réseaux de neurones

De nouveaux outils pour construire des modèles prédictifs

 

Pour vous permettre de prendre de meilleures décisions à chaque évolution, votre entreprise doit déterminer des modèles et des connexions dans l’environnement complexe et à forte évolutivité au sein duquel vous travaillez. Pour vous aider dans cette tâche, vous utilisez peut être déjà PASW Statistics Base et un ou plusieurs de ses modules compagnons. Dans ce cas, vous savez de quelle puissance et de quelle souplesse vous pouvez disposer. Mais vous pouvez aller encore beaucoup plus loin.

Avec PASW Neural Networks, vous pouvez découvrir des modèles subtils ou cachés dans vos données. Ce module vous permet de faire apparaître des relations plus complexes et génère des modèles prédictifs plus performants.

Les procédures de PASW Neural Networks complètent les statistiques plus traditionnelles de PASW Statistics Base et de ses modules. Avec PASW Neural Networks, vous pouvez trouver de nouvelles relations dans vos données puis vérifier leur signification avec des techniques statistiques traditionnelles.

PASW Neural Networks peut être installé en tant que logiciel client uniquement, mais, pour de meilleures performances et afin d'assurer son évolutivité, vous pouvez également l'utiliser dans une configuration client/serveur, avec PASW Statistics Server.

Pourquoi utiliser un réseau de neurones ?

Un réseau de neurones est un ensemble d’outils de modélisation pour des données non linéaires composé de couches d’entrée et de sortie plus une ou deux couches cachées.

A chaque connexion entre les neurones d'une même couche correspond un "poids" spécifique qui est ajusté de façon itérative par l’algorithme d'apprentissage afin de minimiser les erreurs et de fournir des prédictions précises. Vous définissez les conditions dans lesquelles le réseau “apprend” et vous pouvez contrôler de façon très fine les règles d’arrêt de l'apprentissage. Vous pouvez également définir l’architecture du réseau ou bien laisser la procédure déterminer automatiquement cette architecture pour vous. Dans un grand nombre de domaines, PASW Neural Networks combiné à d’autres procédures statistiques vous permet d'obtenir une vue plus claire. Pour les études de marché par exemple, vous pouvez créer des profils client et découvrir les préférences de vos clients. En marketing de base de données, vous pouvez segmenter votre base de clients et rentabiliser les campagnes de marketing.

En analyse financière, vous pouvez utiliser PASW Neural Networks pour déterminer la solvabilité des clients demandant un crédit et détecter d'éventuelles fraudes. Dans l’analyse d'exploitation, utilisez ce nouvel outil pour gérer la trésorerie et améliorer la planification logistique. Les applications scientifiques et de santé incluent quant à elles la prévision des coûts de traitement, l’analyse des résultats médicaux et la prédiction de durée d’un séjour en hôpital.

Contrôlez le processus du début à la fin

Avec PASW Neural Networks vous sélectionnez la procédure Multilayer Perceptron (MLP) ou la procédure Radial Basis Function (RBF).

Ces deux procédures correspondent à des techniques d’apprentissage supervisées, c’est-à-dire qu’elles mettent en correspondance les relations impliquées par les données. Toutes deux utilisent des architectures “feedforward”, ce qui signifie que les données se déplacent dans une seule direction depuis les noeuds d’entrée, à travers les noeuds de la couche masquée jusqu'aux noeuds de sortie. Le choix de la procédure est déterminé par le type de données dont vous disposez et par le niveau de complexité que vous cherchez à découvrir. La procédure MLP permet de trouver des relations plus complexes. La procédure RBF est généralement plus rapide.

Avec l’une ou l’autre de ces procédures, vous divisez vos données en trois ensembles : ensemble d'apprentissage, ensemble de test et ensemble pilote (holdout). L’ensemble d'apprentissage est utilisé pour estimer les paramètres du réseau. L’ensemble de test sert à éviter tout "surapprentissage". L’ensemble pilote ou “holdout” permet d'évaluer de façon isolée le réseau final, qui sera ensuite appliqué à la totalité de l’ensemble de données et à toute nouvelle donnée.

Vous spécifiez les variables dépendantes qui peuvent être des variables numériques, nominales ou une combinaison des deux. Si une variable dépendante a un niveau de mesure numérique, alors le réseau neuronal prédit les valeurs continues qui s’approchent de la valeur “vraie” d’une fonction continue des données d’entrée. Si une variable dépendante est nominale, alors le réseau neuronal est utilisé pour classifier les cas en “meilleure” catégorie en fonction des prédicteurs d’entrée.

Vous définissez le modèle en choisissant le mode de partitionnement des ensembles de données, le type d’architecture souhaité et les ressources de traitement à appliquer à l’analyse. Enfin vous spécifiez l'affichage des résultats sous forme de tableaux ou de graphiques, vous précisez si l'enregistrement des variables temporaires optionnelles doit se faire dans l’ensemble de données actif et si l’export des modèles se fait vers des formats de fichier XML pour scorer les données futures.

 

Téléchargement brochure SPSS Réseaux Neurones