diff --git a/README.md b/README.md index a7526ba204b25dbab03927d4408a4620ea42e0df..5c0f7c407d5463342dced3bc9d235dc05028a573 100644 --- a/README.md +++ b/README.md @@ -1,8 +1,9 @@ Artificial Neural Network + Règles de la chaine pour le calcul du gradient : -2. ∂C/∂A(2) = 2/Nout * (A(2) - Y) +2. ∂C/∂A(2) = 2 * (A(2) - Y) / Nout 3. ∂C/∂Z(2) = ∂C/∂A(2) * ∂A(2)/∂Z(2) ∂C/∂Z(2) = ∂C/∂A(2) * σ'(Z(2)) @@ -25,8 +26,7 @@ Règles de la chaine pour le calcul du gradient : 9. ∂C/∂B(1) = sum(∂C/∂Z(1), axis=0) -En analysant le graphique knn, on peut voir que le maximum de précision est obtenu pour k = 1, ce qui parait logique puisque chaque point -prendra alors son propre label. +En analysant le graphique knn, on peut voir que le maximum de précision est obtenu pour k = 1, ce qui parait logique puisque chaque point prendra alors son propre label. L'autre pic de précision se situe aux alentours de k=7. On privilégiera donc ces valeurs afin d'obtenir la meilleure précision possible. On voit que le temps d'éxécution pour les différentes valeurs de k reste stable autour de 28s.