Ecole polytecnique de lomé
Licence Professionnelle
Genie Electrique Semestre 4
Rapport d’Analyse : Optimisation par RBF
Algorithme : RBF (Radial Basis Function)
Présenté par : Professeur en charge :
KALAMPAI Ramdane Dr. APALOO-BARA
ANNEE UNIVERSITAIRE : 2024-2025
Table des matières
1 Introduction
2 Méthodologie et architecture RBF
3 Prétraitement des données
4 Construction et entraînement du modèle
5 Évaluation et analyse des résultats
6 Conclusion et perspective
7 Annexes
1.Introduction
La modélisation des phénomènes complexes est un enjeu majeur dans de nombreux domaines
scientifiques et industriels. Parmi les nombreuses méthodes utilisées, l’algorithme basé sur les
fonctions de base radiales (RBF) s’est imposé comme une solution efficace pour la
modélisation et la prédiction grâce à sa capacité à approcher des fonctions non linéaires avec
précision.
2. Méthodologie et architecture RBF
L’algorithme de modélisation basé sur les fonctions de base radiales (RBF) est une méthode
d’apprentissage supervisé qui utilise des fonctions radiales pour transformer les données
d’entrée dans un espace de caractéristiques où la relation entre variables peut être modélisée
de façon linéaire.
2.1 Apprentissage supervisé et choix du RBF
Le modèle RBF s’appuie sur un apprentissage supervisé, où un ensemble de données d’entrée
est associé à des sorties connues. Le choix de l’algorithme RBF est motivé par sa capacité à
gérer efficacement des données non linéaires tout en conservant une architecture simple et
rapide à entraîner.
2.2 Fonction d’activation et architecture
Chaque neurone dans la couche cachée du réseau applique une fonction de base radiale,
généralement une fonction gaussienne centrée sur un point donné (appelé centre). La sortie du
réseau est une combinaison linéaire pondérée de ces fonctions, ce qui permet de modéliser des
comportements complexes.
2.3 Outils et cadre expérimental
Pour implémenter et tester le modèle RBF, nous avons utilisé des outils de calcul scientifique
tels que Python avec des bibliothèques comme scikit-learn, numpy, et matplotlib. Le cadre
expérimental inclut la préparation des données, la définition des paramètres du modèle, et
l’évaluation des performances via des métriques adaptées.
3. Prétraitement des données
Le prétraitement des données est une étape cruciale pour garantir la qualité et la pertinence du
modèle de modélisation RBF.
3.1 Nettoyage et gestion des données
Les données brutes sont souvent imparfaites : elles peuvent contenir des valeurs manquantes,
des doublons ou des erreurs. Un nettoyage rigoureux permet de corriger ces anomalies en
supprimant ou en imputant les valeurs manquantes et en filtrant les données aberrantes.
3.2 Analyse statistique et visualisation
Une analyse descriptive des données est réalisée pour comprendre leur distribution, leur
variance et leurs corrélations. Des outils de visualisation, tels que les graphiques de
corrélation ou les histogrammes, permettent d’identifier les relations importantes entre
variables, ce qui guide la sélection des variables explicatives pour le modèle.
4. Construction et entraînement du modèle
Cette étape consiste à construire le modèle RBF à partir des données préretraités, en
sélectionnant les variables pertinentes, en appliquant la transformation RBF, puis en
entraînant le modèle.
4.1 Sélection et transformation des variables
Les variables explicatives sont choisies en fonction de leur pertinence démontrée lors de
l’analyse exploratoire. Ensuite, la transformation RBF est appliquée, souvent via un outil
comme RBFSampler, qui permet de projeter les données dans un espace de dimension
supérieure où elles deviennent plus linéairement séparables.
4.2 Entraînement du modèle
Le modèle est entraîné en ajustant les poids d’une régression linéaire, telle que la régression
Ridge, sur les données transformées. Cette étape vise à minimiser l’erreur entre les prédictions
et les valeurs réelles, assurant ainsi une bonne capacité de généralisation
4.3 Sauvegarde et visualisation
Une fois entraîné, le modèle est sauvegardé pour une utilisation future. Des visualisations,
telles que les courbes d’apprentissage ou les graphiques de prédiction, sont générées pour
évaluer qualitativement les performances du modèle.
5. Évaluation et analyse des résultats
L’évaluation du modèle RBF est essentielle pour mesurer sa performance et sa capacité à
généraliser sur des données nouvelles.
5.1 Critères de performance
Nous utilisons plusieurs métriques pour quantifier la qualité des prédictions
RMSE (Root Mean Square Error) : mesure l’erreur quadratique moyenne, sensible
aux grandes erreurs.
MAE (Mean Absolute Error) : moyenne des erreurs absolues, donne une idée
globale de l’erreur.
R² (Coefficient de détermination) : indique la proportion de variance expliquée par
le modèle.
5.2 Visualisation des résultats
Des graphiques comparant les valeurs prédites aux valeurs réelles permettent d’observer la
précision du modèle et de détecter d’éventuelles tendances.
5.3 Analyse des erreurs et limites
L’analyse détaillée des erreurs révèle les zones où le modèle performe moins bien. Les limites
du modèle, telles que la sensibilité au choix des centres RBF ou la suradaptation aux données
d’entraînement, sont discutées pour orienter les améliorations futures.
6. Conclusion et perspectives
L’algorithme de modélisation RBF s’est révélé être une méthode puissante et flexible pour
modéliser des relations non linéaires complexes. Grâce à sa structure simple et à sa capacité à
transformer les données via des fonctions de base radiales, il offre un bon compromis entre
précision et temps de calcul.
Ce rapport a présenté les étapes essentielles allant du prétraitement des données à l’évaluation
des performances, en passant par la construction et l’entraînement du modèle. Les résultats
obtenus montrent une bonne qualité d’ajustement, bien que certaines limites subsistent,
notamment liées à la sélection des centres et à la gestion du surapprentissage;
7. Annexes
