Comment un perceptron apprend-il ?
Une prédiction, une erreur, une mise à jour. Observez comment deux poids et un biais dessinent une frontière entre deux classes.
Apprendre une frontière de décision
Époques terminées0
Exemples traités0
Erreurs actuelles0
Exactitude actuelle0%
● Classe 0◆ Classe 1— Frontière apprise◯ Exemple sélectionné
Comprendre la dernière étape
La prédiction et l’erreur de l’étape utilisent les poids avant la mise à jour. Le graphique, l’inspecteur et l’exactitude utilisent les poids actuels.
Tous les exemples et leurs prédictions
| # | x₁ | x₂ | Cible | z | Prédiction |
|---|
La règle d’apprentissage
z = w₁x₁ + w₂x₂ + b
ŷ = 1 si z ≥ 0 ; sinon 0
e = y − ŷ
wᵢ ← wᵢ + η e xᵢ ; b ← b + η eAucune mise à jour lorsque la prédiction est correcte. Une époque correspond à un passage sur les 20 exemples.
À explorer
- Avancez exemple par exemple : quand les poids changent-ils ?
- Observez le biais : comment déplace-t-il la droite ?
- Réinitialisez et changez η. Comparez le chemin suivi par la frontière.
Un perceptron peut converger sur des données linéairement séparables. Il ne peut pas représenter XOR avec ces seules entrées. Explorer le perceptron multicouche →