Classification, Apprentissage, Décisionpageperso.lif.univ-mrs.fr/.../CAD/cours_5-perceptron.pdfClassiﬁcation, Apprentissage, Décision Perceptron Expressivité des perceptrons I

Classification, Apprentissage, Décision

Classication, Apprentissage, Décision

Chapitre cinquième : Perceptron

Stéphane Ayache, Cécile Capponi, François Denis, Rémi Eyraud,Hachem Kadri, Liva Ralaivola

Master 2 IS-IN


Plan du cours

Introduction

Arbre de décision & k-ppv

Théorie de l’apprentissage

Clustering

Perceptron

Machines à vecteur de support


Perceptron

Plan

Introduction

Arbre de décision & k-ppv

Théorie de l’apprentissage

Clustering

Perceptron



Perceptron

Classification linéaire binaire

X ⊂ Rd , Y = {−1,+1}

Définition. Un classifieur linéaire est une fonction de la forme

f (x) =

{+1 si 〈w , x〉+ b ≥ 0−1 sinon.

où w ∈ Rd , b ∈ R, 〈w , x〉 désigne le produit scalaire entre w et x : siw = (w1, . . . ,wn) et x = (x1, . . . , xn), 〈w , x〉 =

∑di=1 wixi .

Interprétation géométrique : 〈w , x〉+ b = 0 est l’équation d’un hyperplanqui sépare X en deux demi-espaces correspondant aux deux classes.


Perceptron

Un exemple

X = R2

Classifieur linéaire f défini par w = (1, 2) et b = −1 :

f (x1, x2) =

{1 si x1 + 2x2 − 1 ≥ 0−1 sinon.

Par exemple, f (0, 0) = −1 et f (1, 1) = 1.Hyperplan d’équation x1 + 2x2 − 1 = 0 (c-à-d x2 = − 1

2 x1 + 12 )


Perceptron

Expressivité des perceptrons

I Les classifieurs linéaires peuvent sembler a priori très peu expressifs :pourquoi des données naturelles se répartiraient-elles de part etd’autres d’un hyperplan?

I Cette intuition n’est pas forcément vérifiée en très grande dimension(cas de classification de vidéos, par exemple).

I Cela suggère de plonger les données initiales dans un espace degrande dimension (voir chapitre suivant).

A complex pattern-classification problem, cast in a high-dimensionalspace nonlinearly, is more likely to be linearly separable than in alow-dimensional space, provided that the space is not denselypopulated. (T.M. Cover, 1965)


Perceptron

Données linéairement séparables

Un échantillon S = {(x1, y1), . . . , (xn, yn)} ⊂ (X × Y )n est linéairementséparable s’il existe un classifieur linéaire qui classe correctement tous lesexemples de S.

Exemples :S = {((0, 0),−1), ((1, 0), 1), ((0, 1),−1)} est linéairement séparable.

S = {((0, 0),−1), ((1, 0), 1), ((0, 1), 1), ((1, 1),−1)} n’est pas linéairementséparable (XOR).


Perceptron

Perceptrons

I Perceptrons (Rosenblatt 1958, Minsky/Papert 1969) : généralisation d’unmodèle plus simple proposé par (McCulloch/Pitts neurons, 1942)

I un perceptron à d entrées est décrit par un vecteur de pondération−→w = (w1, . . . ,wd )> ∈ Rd , un seuil θ ∈ R et permet de calculer lafonction suivante :

(x1, . . . , xd ) 7−→ y =

{+1 if x1w1 + x2w2 + . . .+ xd wd ≥ θ−1 if x1w1 + x2w2 + . . .+ xd wd < θ


Perceptron

Perceptrons

I pour plus de commodité : remplacer le seuil par un poidssupplémentaire (biais) b = −θ

I un perceptron avec un vecteur de pondération −→w et un biais b effectuele calcul suivant :

(x1, . . . , xd ) 7−→ y = f (b +d∑

i=1

(wixi )) = f (b + 〈−→w ,−→x 〉)

avec f (z) =

{+1 if z ≥ 0−1 if z < 0


Perceptron

Perceptrons : Remarques

I Les isométries et les homothéties preservent la séparabilitéI En rajoutant une dimension, on peut ne plus avoir besoin du biais :

ajouter une coordonnée xd+1 égale à 1 pour toutes les données et poserb = wd+1

I il existe une infinité d’hyperplans séparant des données séparables...


Perceptron

Perceptrons : interprétation géométrique

I données (x1, . . . , xn)

−→ ∈ un espace de dimension d

I points vérifiants b + 〈−→w ,−→x 〉 = 0

−→ hyperplan défini par b et −→w

I points vérifiants b + 〈−→w ,−→x 〉 > 0

−→ points d’un coté de l’hyperplan

I points vérifiants b + 〈−→w ,−→x 〉 < 0

−→ points de l’autre coté de l’hyperplan

I un perceptron divise l’espace desdonnées en deux demi-espaces−→ situés de part et d’autre del’hyperplan


Perceptron

algorithme d’apprentissage du perceptron

I les perceptrons peuvent être automatiquement adaptés à des tachesd’apprentissage⇒ Apprentissage supervisé : Classification

I algorithme d’apprentissage du perceptron :données :• un ensemble de données P ⊆ Rd : exemples positifs• un autre ensemble N ⊆ Rd : exemples négatifstache :• générer un perceptron qui retourne 1 pour tous les exemples de P et−1 pour les exemples de N

I évidemment, il y a des cas dans lesquels l’algo d’apprentissage duperceptron n’est pas capable de résoudre le problème de classification−→ exemple : P

⋂N 6= ∅

−→ données non linéairement séparables−→ solution potentielle : transférer les données dans un autre espacedans lequel les données sont linéairement séparables (plus de détaildans le chapitre suivant)


Perceptron

algorithme d’apprentissage du perceptron

I Lemme (séparabilité stricte) :Si ∃ un perceptron qui classe parfaitement les données d’apprentissage,alors ∃ un perceptron qui classe ces données sans qu’aucune ne soitsur la frontière de décision, b + 〈−→w ,

−→x 〉 6= 0Preuve :Soit (b,−→w ) un perceptron qui classe parfaitement toutes les donnéesd’apprentissage. D’où

b + 〈−→w ,−→x 〉

{≥ 0 ∀ −→x ∈ P

< 0 ∀ −→x ∈ N

Soit ε = min{−(b + 〈−→w ,−→x 〉)|−→x ∈ N}. Alors :

b +ε

2+ 〈−→w ,

−→x 〉

≥ ε

2> 0 ∀ −→x ∈ P

≤ − ε2< 0 ∀ −→x ∈ N

Ainsi le perceptron (b +ε

2,−→w ) prouve le lemme.


Perceptron

Algorithme d’apprentissage du perceptron

I Erreur de classification de −→x ∈ P−→ b + 〈−→w ,

−→x 〉 < 0

I Comment peut-on modifier b et −→w pourremédier à cette erreur−→ augmenter b + 〈−→w ,

−→x 〉• augmenter b• Si xi > 0 augmenter wi• Si xi < 0 diminuer wi

I Algorithme : ajouter −→x à −→w et 1 à b−→ Procéder par analogie pour lesexemples négatifs −→x ∈ N


Perceptron



−→x 〉 < 0




augmenter w0


Perceptron



−→x 〉 < 0




augmenter w0


Perceptron



−→x 〉 < 0




augmenter w0


Perceptron



−→x 〉 < 0





Perceptron



−→x 〉 < 0




augmenter w


Perceptron



−→x 〉 < 0




augmenter w


Perceptron



−→x 〉 < 0




augmenter w


Perceptron


Entrées : données d’apprentissage positives P et négatives NRetourne : un perceptron, si existe, qui classe parfaitement toutes lesdonnées d’apprentissage

1. initialiser arbitrairement le vecteur de pondération −→w et le biais b

2. Tant que il existe une donnée mal-classée −→x ∈ P⋃N faire

3. Si −→x ∈ P alors4. −→w ← −→w +

−→x5. b = b + 1

6. Sinon7. −→w ← −→w −−→x8. b = b − 1

9. Fin si10. Fin tant que11. Retourner b et −→w


Perceptron

Algorithme d’apprentissage du perceptron : Exemple

N = {(1,0)>, (1,1)>},P = {(0,1)>}

−→ exercice


Perceptron

Algorithme d’apprentissage du perceptron : Convergence

I Lemme :

Si l’algorithme du perceptron converge, alors le perceptron (b,−→w )obtenu classe parfaitement tous les exemples d’apprentissage.

I Théorème (Convergence) :

Si ∃ un perceptron qui classe correctement toutes les donnéesd’apprentissage, alors l’algorithme du perceptron converge.

I Lemme :

Si au cours de l’exécution de l’algorithme du perceptron on rencontredeux fois le même vecteur de pondération, alors les donnéesd’apprentissage utilisées ne sont pas linéairement séparables.

I Lemme :

Si l’algorithme du perceptron avec un biais b = 0 est exécuté sur un jeude données non linéairement séparable, alors le même vecteur depondération se produira au moins deux fois .


Perceptron

Algorithme d’apprentissage du perceptron : Convergence

I Lemme (Complexité) :Si les données d’apprentissage sont linéairement séparables, alors lenombre d’itérations maximal de l’algorithme du perceptron est égale à(n + 1)22(n+1) log(n+1)

I temps d’exécution : complexité exponentielle→ autres implémentations - complexité O(n

72 ) -


Perceptron


I comment peut-on déterminer un “bon" perceptron si la tâched’apprentissage ne peut pas être résolu parfaitement

I “bon" dans le sens d’un perceptron avec un nombre d’erreurs minimal

I l’algorithme du perceptron : le nombre d’erreurs ne décroit pas de façonmonotone durant la phase d’apprentissage

I idée : mémoriser le meilleur vecteur de pondération rencontré au coursde l’exécution

I les perceptrons peuvent apprendre que des problèmes linéairementséparables

I contre-exemple : XOR(x1, x2)P = {(0, 1)>, (1, 0)>}, N = {(0, 0)>, (1, 1)>}

I un réseau de neurone associant plusieurs perceptrons est plus puissant


Perceptron

Algorithme d’apprentissage du Perceptron (Rosenblatt, 1958)

Soit S = SP ∪ SN ⊂ Rd+1 × {−1, 1} un échantillon linéairement séparable.

Soit w le classifieur linéaire courant.

I Si (x , y) ∈ SP est mal classé, 〈w , x〉 < 0 et il faudrait augmenter 〈w , x〉,I si (x , y) ∈ SN est mal classé, 〈w , x〉 ≥ 0 et il faudrait diminuer 〈w , x〉,

Idée : prendre wnew = w + xy .Dans le premier cas, on a 〈wnew , x〉 = 〈w , x〉+ ||x ||2 ; dans le second cas, ona 〈wnew , x〉 = 〈w , x〉 − ||x ||2.


Perceptron

Algorithme d’apprentissage du Perceptron

Algorithme d’apprentissage du PerceptronEntrée : S = {(x1, y1), . . . , (xn, yn)}, un échantillon complétélinéairement séparable de Rd+1 × {−1, 1}w0 = 0 ∈ Rd+1, k = 0Répéter

Pour i = 1 à nSi yi〈wk , xi〉 ≤ 0 alors

wk+1 = wk + yixi

k = k + 1FinPour

Jusqu’à ce qu’il n’y ait plus d’erreursSortie : wk


Perceptron

Exercice

Utilisez l’algorithme du perceptron pour séparer l’échantillon{((0, 0),−1), ((0, 1), 1), ((1, 0), 1), ((1, 1), 1)}. Dessinez l’hyperplan obtenu.

k wk xk mal classé yk

0 0 0 0 0 0 1 -11 0 0 -1 . . . . . .

. . . . . . . . . . . .


Perceptron

Propriétés

I L’algorithme du Perceptron est une procédure on-line, par correctiond’erreurs (error-driven).

I L’algorithme est correct : lorsqu’il converge, l’hyperplan retourné sépareles données fournies en entrée

I L’algorithme est complet : si S est linéairement séparable, l’algorithmeconverge.

I Dans le pire des cas, le nombre d’itérations est égal à(n + 1)22(n+1) log(n+1). Complexité exponentielle !

I Très mauvaise tolérance au bruit.


Perceptron

Entre ces deux solutions, laquelle est la meilleure?


Perceptron

La notion de marge

On peut multiplier l’équation 〈w , x〉+ b = 0 d’un hyperplan par un réel nonnul sans modifier l’hyperplan qu’elle définit.

On peut donc supposer que w vérifie ||w || = 1.

Dans ce cas, la distance d’un exemple (x , y) à un hyperplan séparateur estégal à y(〈w , x〉+ b).

d(M,H) = yM〈w , xM − xH〉= yM (〈w , xM〉+ b)

puisque 〈w , xH〉+ b = 0.


Perceptron

Complexité de l’algorithme et marge

Théorème (Novikoff) : Soit S = {(x1, y1), . . . , (xn, yn)} un échantillond’apprentissage non trivial (i.e. ∃i, j yiyj = −1). Supposons que

I ∀i, ||xi || ≤ 1 etI ∃w , b, γ > 0 tels que ∀i, yi (〈w , xi〉+ b) ≥ γ.

Alors, le nombre d’erreurs (yi (〈wk , xi〉+ bk ) ≤ 0) commises pendantl’exécution de l’algorithme est au plus égal à (2/γ)2.

Remarques :I γ est une borne inférieure de la marge du problèmeI Quelles que soient les données, on peut toujours se ramener au moyen

d’une homothétie-translation au cas où Max ||xi || = 1.


Perceptron

Complexité de l’algorithme et marge (suite)

S = {((0, 0),−1), ((0, 1), 1), ((1, 0), 1), ((1, 1), 1)}.

Au moyen d’une translation de vecteur (−1/2,−1/2) suivie d’une homothétiede rapport

√2, on obtient l’échantillon équivalent

S = {((−√

22 ,−

√2

2 ),−1), ((−√

22 ,√

22 ), 1), ((

√2

2 ,−√

22 ), 1), ((

√2

2 ,√

22 ), 1)}.

On a bien Max ||xi || = 1. On vérifie que la marge du problème est égale à 1/2.

Le théorème prédit que le nombre de corrections de l’algorithme est inférieurou égal à 8.


Perceptron

Forme duale de l’algorithme du perceptron

Remarque : l’hypothèse finale est une combinaison linéaire des exemplesd’apprentissage.

w =n∑

i=1

αiyixi .

Les nombres αi sont positifs et égaux au nombre de fois où une mauvaiseclassification de xi a entraîné une mise à jour du perceptron. Ils peuvent êtrevus comme une représentation duale de la solution :

f (x) = sgn(〈w , x〉+ b) = sgn

(n∑

i=1

αiyi〈xi , x〉+ b

).


Perceptron

Forme duale de l’algorithme du perceptron

entrée : S = {(x1, y1), . . . , (xn, yn)}, un échantillon complétélinéairement séparableα = 0 ∈ Rn

répéterPour i = 1 à n

Si yi (∑n

j=1 αj〈xj , xi〉) ≤ 0 alorsαi = αi + 1k = k + 1

FinSiFinPour

Jusqu’à ce qu’il n’y ait plus d’erreursSortie : α


Perceptron

Exercice

Utilisez l’algorithme du perceptron pour séparer l’échantillon{((0, 0),−1), ((0, 1), 1), ((1, 0), 1), ((1, 1), 1)}. Dessinez l’hyperplan obtenu.

k αk xk mal classé yk

0 0 0 0 0 0 0 1 -11 1 0 0 0 . . . . . .

. . . . . . . . . . . .


Perceptron

Propriétés de l’algorithme dual

I dans la représentation duale, le nombre de paramètres de la solution nedépend pas de la dimension de l’espace dans lequel les xi sont plongés,

I les exemples d’apprentissage ne sont pris en compte par l’algorithmeque par l’intermédiaire de leurs produits scalaires.

I On appelle Matrice de Gram la matrice G = (〈xi , xj〉)1≤i,j≤l : elle suffit àtrouver une solution.


Perceptron

Extensions

1. Plongements non linéaires

2. Perceptrons linéaires avec couches cachées

3. Perceptrons non linéaires (avec couches cachées)

4. Séparateurs linéaires optimaux - Machines à Vecteurs Supports ouSéparateurs à vaste Marge (SVM)

5. Méthodes à noyaux


Perceptron

Plongements non linéaires


Perceptron

Perceptron linéaire à seuil avec une couche cachée

Entrée : (x1, . . . , xd , xd+1 = 1)

Couche cachée : h perceptrons y1, . . . , yh (+ une entrée constante yh+1 = 1)où pour 1 ≤ i ≤ h,

yi =

{1 si

∑d+1j=1 α

jixj ≥ 0

0 sinon.

Sortie : un perceptron s défini par

s = f (x1, . . . , xd+1) =

{1 si

∑h+1i=1 βiyi ≥ 0

0 sinon.


Perceptron

Perceptron linéaire à seuil avec une couche cachée

Théorème : toute fonction booléenne est calculable par un tel perceptron

I bonne expressivité ;

I pas d’algorithme d’apprentissage !


Perceptron

La fonction sigmoïde

σk (x) = 1/(1 + e−kx )

On peut voir les fonctions sigmoïdes comme des fonctions indéfinimentdérivables qui lissent la fonction linéaire à seuil et dont les dérivées sont trèssimples à calculer :

σ′ = σ(1− σ)


Perceptron

Perceptron avec fonction d’activation sigmoïde et une couche cachée

Entrée : x1, . . . , xd , xd+1 = 1

Couche cachée : y1, . . . , yh, yh+1 = 1 où pour 1 ≤ i ≤ h,

yi = σ

d+1∑j=1

αjixj

Sortie :

s = f (x1, . . . , xd+1) = σ

(h+1∑i=1

βiyi

).

Classification binaire : on attribue la classe 1 si s ≥ 1/2 et 0 sinon ; s peuts’interpréter comme un indice de confiance.

Classification n-aire : n neurones normalisés en sortie.


Perceptron

Perceptron avec fonction d’activation sigmoïde et une couche cachée

Théorème : Ces perceptrons permettent d’approcher d’aussi près qu’on lesouhaite une classe très riche de fonctions.

I très bonne expressivité ;I il existe un algorithme d’apprentissage : l’algorithme de rétropropagation

du gradient.



Séparateurs linéaires optimaux

Soit S = {(x1, y1), . . . , (xn, yn)}, xi ∈ Rd et yi ∈ {−1, 1} un échantillonlinéairement séparable.Il existe un unique hyperplan de marge maximale qui est solution duproblème d’optimisation quadratique convexe suivant :

Minimiser ||w ||2

sous les contraintes

yi f (xi ) ≥ 1 pour tout i = 1 . . . l

où f (x) = 〈w , x〉+ b.



Séparateurs linéaires optimaux

Soit S = {((0, 0),−1), ((0, 1), 1), ((1, 0), 1), ((1, 1), 1)}.

Minimiser w21 + w2

2


−b ≥ 1,w2 + b ≥ 1,w1 + b ≥ 1,w1 + w2 + b ≥ 1

La seule solution est w1 = w2 = 2 et b = −1.



Retour sur la notion de marge

Soit S un échantillon linéairement séparable et soit H un hyperplanséparateur, d’équation 〈w , x〉+ b = 0.On peut modifier linairement w et b tel que le point M le plus proche de Hsatisfasse :

f (xM ) = 〈w , xM〉+ b =

{1 si M est positif−1 sinon. .

Dans ce cas,I la marge de H est égale à 1/||w || etI tous les points de S vérifient yf (x) ≥ 1.



Calcul de la marge (exemple)

Soit S = {((0, 1),+), ((2, 0),−)}.La droite d’équation f (x , y) = −x + y − 1/2 = 0 sépare S.

On a f (0, 1) = 1/2 et f (2, 0) = −5/2.

On normalise l’équation en la multipliant par 2 : −2x + 2y − 1 = 0.

w = (−2, 2)T , ||w || =√

8 = 2√

2

et la marge est égale à 12√

2=√

24 .



Hyperplan optimal

Soit S = {(x1, y1), . . . , (xl , yl )} ⊂ Rn × {−1, 1} un échantillon linéairementséparable.

Il existe un unique hyperplan de marge maximale qui est solution duproblème d’optimisation suivant :

f (x) = 〈w , x〉+ byi f (xi ) ≥ 1 pour tout i = 1 . . . lMinimiser ||w ||2.

Optimisation quadratique sous contraintes linéaires (convexes)



Hyperplan optimal (exemple)

Soit S = {((4, 3), 1), ((0, 2), 1), ((0, 0),−1)}.Le problème d’optimisation à résoudre est :

Minimiser w21 + w2

2 sous les contraintes

4w1 + 3w2 + b ≥ 1, 2w2 + b ≥ 1,−b ≥ 1.

Les deux dernières équations impliquent w2 ≥ 1 et donc w21 + w2

2 ≥ 1.On en déduit la solution optimale : w1 = 0,w2 = 1, b = −1.

Équation de l’hyperplan optimal : y = 1



Hyperplan optimal (cas général)

Minimiser||w ||2


yi (〈w , xi〉+ b) ≥ 1 pour tout (xi , yi ) ∈ S

Nouvelles variables (multiplicateurs de Lagrange) : αi ≥ 0Nouvelle fonction : le Lagrangien

L(w , b, α) =12

w2 −n∑

i=1

αi [yi (〈w , xi〉+ b)− 1]

La solution (unique grâce à la convexité) (w∗, b∗, α∗) est un point selle duLagrangien : L(w , b, α∗) est minimal en (w∗, b∗) et L(w∗, b∗, α) est maximalen α∗.




L(w , b, α) =12

w2 −n∑

i=1

αi [yi (〈w , xi〉+ b)− 1]

La solution (unique grâce à la convexité) (w∗, b∗, α∗) est un point selle duLagrangien :

L(w , b, α∗) minimal en (w∗, b∗) ; L(w∗, b∗, α) maximal en α∗.




On a : ∇x L(w , b, α) = w −

∑ni=1 αiyixi

∂L(w , b, α)

∂b=∑n

i=1 αiyi

Ce qui donne les condition d’optimalité :∇x L(w , b, α) = 0⇒ w =

∑ni=1 αiyixi

∂L(w , b, α)

∂b= 0⇒

∑ni=1 αiyi = 0



Hyperplans optimaux : problème dual

Si l’on remplace w par∑n

i=1 αiyixi dans le Lagrangien

L(w , b, α) =12

w2 −n∑

i=1

αi [yi (〈w , xi〉+ b)− 1]

On a

L(α) =12

n∑i=1

n∑j=1

αjαiyiyj〈xj , xi〉 −n∑

i=1

αiyi

n∑j=1

αjyj〈xj , xi〉 − bn∑

i=1

αiyi +n∑

i=1

αi

Ce qui donne

L(α) =n∑

i=1

αi −12

n∑i,j=1

yiyjαiαj〈xi , xj〉

qu’on doit maximiser sous les contraintes∑n

i=1 αiyi = 0 et αi ≥ 0.I Seuls les produits scalaires 〈xi , xj〉 sont nécessaires pour trouver

l’hyperplan optimal.I Retrouver w∗ à partir des α∗i : w∗ =

∑ni=1 α

∗i yixi

I Calcul de b∗ à partir d’un vecteur support : 〈w∗, xi〉+ b∗ = yi .



Problème dual (exemple)

Soit S = {((4, 3), 1), ((0, 2), 1), ((0, 0),−1)}.

L(α) =n∑

i=1

αi −12

n∑i,j=1

yiyjαiαj〈xi , xj〉

= α1 + α2 + α3 −12

(25α21 + 4α2

2 + 12α1α2)

qu’on doit maximiser sous les contraintes

α1 + α2 − α3 = 0 et αi ≥ 0 pour i = 1, 2, 3.



Hyperplan optimal : propriétés

On appelle vecteur support toute donnée xi telle que α∗i 6= 0.Soit SV l’ensemble des vecteurs supports de S.Propriétés

I Si xi ∈ SV , 〈w∗, xi〉+ b∗ = yi

I Si xi 6∈ SV , la contrainte correspondante n’est pas active,I Les problèmes d’optimisation associés à S et à SV ont la même

solution.I Le rapport #SV/#S est une borne supérieure de l’estimateur

leave-one-out de l’erreur en généralisation de la solution.I∑n

i=1 α∗i yi = 0

I w∗ =∑n

i=1 α∗i yixi

La solution s’exprime en fonction des vecteurs supports



Exemple

Soit S = {((4, 3), 1), ((0, 2), 1), ((0, 0),−1)}. On a trouvé

w∗ = (0, 1) et b∗ = −1.

Si l’on pose∑n

i=1 α∗i yi = 0 et w∗ =

∑ni=1 α

∗i yixi , on trouve

α1 + α2 − α3 = 04α1 = 0

3α1 + 2α2 = 1

On trouveα1 = 0, α2 = 1/2 et α3 = 1/2

Les vecteurs supports sont x2 et x3.



Et lorsque les données ne sont pas séparables?

I Trouver le classifieur linéaire qui minimise le nombre d’erreurs est unproblème NP-dur.

I L’algorithme du Perceptron oscille, changeant d’hypothèses à chaqueprésentation d’un contre-exemple sans se stabiliser sur une solutionintéressante.

Idée : se soucier davantage de la confiance avec laquelle la plupart desexemples sont correctement classés plutôt que du nombre d’exemples malclassés.

→ maximiser la marge d’un séparateur linéaire en tolérant un nombre limitéd’exceptions : notion de marge souple (soft margin).



Comment réaliser un plongement des données?

Pour tout algorithme d’apprentissage ne faisant intervenir que le produitscalaire des données

perceptron, séparateur optimal (avec marges dures ou souples)

il suffit de connaître la matrice de Gram G = (〈xi , xj〉)1≤i,j≤n pour construire leclassifieur linéaire correspondant :

f : x 7→ signe(n∑

i=1

αi〈x , xi〉).

Soit Φ : X → Y une fonction de plongement dans un espace Y avec produitscalaire. On obtiendra un classifieur linéaire (dans l’espace de plongement)défini par :


i=1

αi〈Φ(x),Φ(xi )〉).



Kernel trick

On appelle noyau toute fonction k : X × X → R qui peut être interprétéecomme un produit scalaire dans un plongement Φ :

k(x , y) = 〈Φ(x),Φ(y)〉

On peut appliquer les algorithmes du perceptron et de séparation optimaleavec marges souples ou dures en remplaçant

〈xi , xj〉 par k(xi , xj ).

On obtient alors un classifieur


i=1

αik(x , xi ))

linéaire dans l’espace de plongement (avec toutes les garanties associées)et non linéaire dans l’espace initial.



Perceptron à noyau

entrée : S = {(x1, y1), . . . , (xn, yn)}, un échantillon complétélinéairement séparableα = 0 ∈ Rn

répéterPour i = 1 à n

Si yi (∑n

j=1 αjyjk(xj , xi )) ≤ 0 alorsαi = αi + 1FinSi

FinPourJusqu’à ce qu’il n’y ait plus d’erreursSortie : x 7→ signe(

∑i αiyik(x , xi ))



Exemples de noyaux :

Noyau polynomial homogène

X = Rd , k(x , x ′) =

(n∑

i=1

xix ′i

)p

Noyau polynomial

X = Rd , k(x , x ′) =

(1 +

n∑i=1

xix ′i

)p

.

Noyau gaussien :

k(x , x ′) = exp(−||x − x ′||2

2σ2

)La dimension de l’espace de plongement est finie pour les noyauxpolynomiaux et infini (espace de Hilbert) pour le noyau gaussien . . . mais leplongement est virtuel.



Caractérisation des noyaux

Théorème : une fonction k : X × X → R est un noyau ssi pour tout m-upletx1, . . . , xm d’éléments de X , la matrice de Gram k(xi , xj )1≤i,j≤m est définiepositive, c’est-à-dire que pour tous réels c1, . . . , cm,∑

i,j

cicjk(xi , xj ) ≥ 0.

A retenir : on sait (théoriquement) caractériser les fonctions noyaux etdéterminer un plongement correspondant.



402 points générés à partir de 2 paraboles parallèles avec bruit gaussien.



Séparateur linéaire optimal avec marges souples : 104 vecteurs supports.



Noyau quadratique : 38 vecteurs supports.



Noyau polynomial de degré 3 : 35 vecteurs supports.



Noyau Gaussien, σ = 1 : 62 vecteurs supports.



Noyau Gaussien, σ = 0.5 : 64 vecteurs supports.









The US Postal Service (USPS) database.

I 9298 chiffres manuscrits (7291 pour apprendre, 2007 pour tester)provenant d’enveloppes postées ou reçues à Buffalo ;

I Chaque chiffre est une image 16× 16 représenté par un vecteur de[−1, 1]256 ;

I Les jeu de tests est difficile : 2, 5% d’erreur en moyenne pour un humain ;I Données disponibles à

http ://www.kernel-machines.org.data.html.



Résultats (1) (Schölkopf, Smola)

Classification par SVMs sur les données USPS.Noyau polynomial : k(x , y) = (〈x , y〉/256)d .Construction de 10 classifieurs (méthode un contre tous).

d 1 2 3 4 5 6 7erreur % 8,9 4,7 4,0 4,2 4,5 4,5 4,7Nb. moyen de VSs 282 237 274 321 374 422 491



Résultats (2) (Schölkopf, Smola)

Classification par SVMs sur les données USPS.Noyau gaussien : k(x , y) = exp(−||x − y ||2/(256c)).Construction de 10 classifieurs (méthode un contre tous).

c 4,0 2,0 1,2 0,8 0,5 0,2 0,1erreur % 5,3 5,0 4,9 4,3 4,4 4,4 4,5Nb. moyen de VSs 266 240 233 235 251 366 722



Comparaison des résultats (Schölkopf, Smola)

USPS+ : USPS + un ensemble de chiffres imprimés.

Classifieur Ens. d’App. Erreur sur ens. testDecision tree, C4.5 USPS 16,2Best two layer neural network USPS 5,9Five-layer network USPS 5,1Linear SVM USPS 8,9Hard margin SVM USPS 4,6SVM USPS 4,0Virtual SVM USPS 3,2Virtual SV, local kernel USPS 3,0Nearest neighbor USPS+ 5,9Boosted neural net USPS+ 2,6Human performance 2,5

Classification, Apprentissage, Décisionpageperso.lif.univ-mrs.fr/.../CAD/cours_5-perceptron.pdfClassiﬁcation, Apprentissage, Décision Perceptron Expressivité des perceptrons I

Documents