Le modèle RNA utilisé

Le modèle final de RNA comportait sept variables RFM dans la couche d’entrée, un neurone dans la couche de sortie et quatre neurones dans la couche cachée. Une couche cachée est suffisante pour capter les non-linéarités qui peuvent se trouver dans des problèmes de ciblage de ce type. Pour rendre cette étude comparable avec d’autres études utilisant le même type de variables RFM, le nombre de neurones dans la couche cachée a été fixé à quatre. Cela semble suffire et permet d’éviter des risques de sur-calibrage (overfitting) qui ont  un effet négatif sur le pouvoir de généralisation et implicitement sur le pouvoir prédictif du RNA. Plusieurs essais avec un plus grand nombre de neurones ont été réalisés mais les résultats sur la qualité de l’ajustement aux données ne se sont pas améliorés de manière significative.

Le nombre de poids à estimer dans une telle architecture est égale à : [ (1 + Nombre d’entrées)*Nombre de neurones cachés] + [(1 + Nombre de neurones cachés)*Nombre de sorties], c'est-à-dire  (1+7)*4 + (1+4)*1=37.