Multilayer perceptron

Wisconsin Breast Cancer (Diagnostic), UCI : 569 tumeurs décrites par des mesures de noyaux cellulaires, étiquetées bénignes ou malignes.

Solo

1. Une API façon Keras : un modèle CustomSequential empilant des couches Dense.
2. Passe avant et rétropropagation, avec les pertes entropie croisée binaire, entropie croisée catégorielle et MSE.
3. Optimiseurs SGD et Adam, et arrêt anticipé sur la perte de validation.
4. Un notebook Colab qui entraîne et évalue le modèle de bout en bout.

Reproduire l'API Keras

J'ai suivi la structure de la documentation officielle de Keras, avec les couches, les pertes et les optimiseurs comme classes distinctes derrière un unique objet modèle. Cela a gardé le code modulaire au lieu d'un tas de fonctions qui enfle.

96,5–97,4 % de précision en validation sur trois essais 80/20 (graine 42) ; l'essai principal, avec arrêt anticipé sur la perte de validation, a atteint 96,5 %.

• Le jeu de validation sert aussi à l'arrêt anticipé, et il n'y a pas de jeu de test séparé : ces scores sont donc optimistes.
• Les logs montrent du surapprentissage : la précision d'entraînement atteint 1.0 et la perte d'entraînement tombe à ~0 tandis que la perte de validation grimpe à 0,66–0,73 à l'époque 50.
• Un seul découpage de 569 échantillons : une autre graine aléatoire pourrait déplacer le score de quelques points. Une validation croisée donnerait une fourchette.