Bonjour à tous,

Voici le problème auquel je suis confronté actuellement avec mon
réseau de neurones (RN) :

Au départ, j'ai 2 groupes de molécules différentiées par un
caractère (1 groupe possède ce caractère, l'autre non).
Je voudrais par la suite construire un RN capable de prédire ce
caractère pour tout autre groupe de molécules.

Pour cela, j'ai calculé un grand nombre de caractéristiques
moléculaires pouvant discriminer le caractère recherché. Pour ne pas
devoir inclure toutes ces caractéristiques dans le RN, et donc pour
minimiser le nombre de neurones en entrée, j'ai utilisé plusieurs
tests statistiques pour identifier les caractéristiques les plus
discriminantes (p<<<0.05).

Par la suite, j'ai donc utilisé les valeurs de ces caractéristiques
discriminantes en entrée dans mon RN. Je
pensais qu'un tel réseau serait beaucoup plus facile à optimiser avec
des valeurs d'entrée déjà discriminantes.
Or d'après mes premiers tests, ce n'est pas du tout le cas. Ou ai-je
commis une erreur ? le résultat sera t-il le même si j'utilise en
entrée à la fois des valeurs discriminantes et non discriminantes ?
Plus généralement, comment "sélectionner" les données à utiliser
en entrée d'un RN lorsque l'on dispose d'un large choix de données
utilisables... et faire en sorte que l'apprentissage du RN soit
possible ??

A noter que mes valeurs en entrée sont bien normalisés (entre 0 et 1)


Merci d'avance pour vos réponses.
Cordialement,

GX