Perceptron Multicouches (PMC)

Le plus célèbre des Réseaux de neurones supervisés. Cette célébrité est d’ailleurs justifiée par le fait qu’à ce jour, le PMC est le meilleur Régresseur et le meilleur Classifieur connu.

Souvent brouillée par d’obscures références au fonctionnement du cerveau, son image auprès des utilisateurs potentiels est parfois assez confuse. Ces derniers hésitent alors à sortir du giron sécurisant de la Régression Linéaire Multiple, de l'Analyse Discriminante et de la Régression Logistique, de peur de s'aventurer en territoire inconnu et mal balisé.

Cette perception erronée des choses est préjudiciable, au PMC, bien sûr, mais surtout aux utilisateurs eux-mêmes, qui se privent ainsi d'un outil extraordinaire. Parfaitement supporté par une théorie solide et une méthodologie bien rôdée, le PMC a acquis, à juste titre, droit de cité dans tous les logiciels majeurs de Data Mining, poussé par les grands éditeurs qu'on ne saurait accuser d'un goût prononcé pour la Science-Fiction.

Pour autant, le PMC prête le flanc à une critique justifiée : celle de fournir un modèle performant, mais dont les paramètres ne sont pas interprétables (rappelons que le PMC est un modèle non paramétrique). Il ne faut guère espérer d'un éventuel successeur du PMC la levée de cette limitation, qui est probablement inscrite profondément dans la nature des modèles "haut de gamme".
 

La véritable question à se poser avant d'aborder le PMC est donc :

"Les gains de performances que procurent le PMC justifient-ils (économiquement)
la perte d'interprétabilité des paramètres ?"

Il n'y a évidemment pas de réponse unique, et tout problème de cette nature est un cas d'espèce. Notons simplement que notre époque rend pénible la décision de renoncer à des gains de précision (et donc de rentabilité) à portée de la main. Pour le moins, toute solution opérationnelle de Classification ou de Régression devrait être calibrée contre la solution du PMC afin d'éclairer le débat par des considérations quantitatives.

Reste que, comme pour toute autre technique de Data Mining, l'utilisation efficace du PMC requiert une assez bonne connaissance de ses mécanismes. Le nombre inquiétant de commentaires décalés que l'on peut lire ou entendre sur le PMC laisse entendre que ce message n'est pas encore universellement reconnu.

Notons enfin que l’hégémonie du PMC commence à être battue en brêche par la popularité croissante des réseaux RBF.