PROJET RAKUTEN

Les réseaux convolutifs (Convolutional Neural Networks, ou CNN) ont révolutionné le domaine de la vision par ordinateur en permettant des avancées significatives dans des tâches variées telles que la classification d’images, la détection d’objets, la segmentation d’images et bien plus encore.

Ce projet explore l’utilisation des CNN pour résoudre différents problèmes de traitement d’images en utilisant le transfert d’apprentissage (transfer learning).
Le transfert d’apprentissage est une technique qui permet d’utiliser des modèles pré-entraînés sur de grandes bases de données (comme ImageNet) pour résoudre des tâches spécifiques avec moins de données.
En réutilisant les connaissances acquises par ces modèles, nous pouvons adapter efficacement les réseaux convolutifs à de nouveaux problèmes de vision par ordinateur.

6 architectures de CNN pré-entraînées ont été testées :

- EfficientNetB1 : Un modèle optimisé pour un compromis idéal entre précision et efficacité computationnelle.
- VGG16 et VGG19 : Connus pour leur simplicité et profondeur, permettant des performances solides sur des tâches variées.
- Inception (GoogLeNet) : Célèbre pour son architecture innovante qui utilise les modules d’inception de GoogLeNet pour capturer des caractéristiques à différentes échelles.
- ResNet50 : Un modèle résiduel (cf Kaiming He) qui permet de créer des réseaux profonds sans problème de gradient, connu pour ses excellentes performances.
- Xception : Une version améliorée de l’Inception qui utilise des convolutions séparables en profondeur pour une meilleure efficacité.

Nous traitons un ensemble de données comportant 27 catégories et 84916 enregistrements.
Avant d’entraîner les modèles, nous appliquons les techniques suivantes pour équilibrer les classes :

Tous les modèles ont suivi le même préprocessing :

- Un Undersampling :
Nous réduisons le nombre d’échantillons dans les classes surreprésentées à un maximum de 5000 enregistrements par classe.
- un Oversampling par Génération d’Images :
Pour augmenter le nombre d’échantillons dans les classes sous-représentées à un minimum de 2000 enregistrements par classe, nous générons des images supplémentaires en utilisant des techniques d’augmentation d’image
Voici un exemple de code utilisé pour cela :

@tf.function
def  augment_image( image)
 image = tf.image.random_flip_left_right(image)
 image = tf.image.random_flip_up_down(image)
 image = tf.image.random_brightness(image, max_delta=0.3)
 image = tf.image.random_contrast(image, lower=0.8; uppper=1.2)
 image = tf.image.random_crop(image, [400, 400, 3])
 return image

@tf.function
def load_and_augment_image(filepath, resize=(IMGSIZE,IMGSIZE)),
 image = tf.io.read_file(filepath)
 image = tf.image.decode_jpeg(image, channels=3)
 image = augment_image(image)
 return tf.image.resize(image, resize)

@tf.function
load_image(filepath, resize=(IMGSIZE,IMGSIZE)),
 image = tf.io.read_file(filepath)
 image = tf.image.decode_jpeg(image, channels=3)
 return tf.image.resize(image, resize)

random_flip_left_right -> Retournez aléatoirement une image horizontalement (de gauche à droite)
random_flip_up_down -> Retournez aléatoirement une image verticalement (du haut vers le bas)
random_brightness -> Ajuster la luminosité par un facteur aléatoire
random_contrast -> Ajuster le contraste par un facteur aléatoire
random_crop -> Recadre aléatoirement l'image à une taille donnée

Modèles

Sélectionner un modèle :

Modèle EfficientNetB1

Configuration de EfficientNetB1 pour le transfert learning :

Une partie du modèle pré-entraîné peut être gelée pour conserver les caractéristiques générales.
Les couches supérieures peuvent être ajustée pour apprendre des spécificités de la nouvelle tâche de classification d'images.
Ici toutes les couches sont gelées.

Construction du Modèle Séquentiel :

L'objectif de cette architecture est de tirer parti de l'extraction de caractéristiques avancées d'EfficientNetB1
et de compléter avec des couches personnalisées qui adaptent ces caractéristiques pour une classification
sur 27 classes.

Régularisation : Les couches de dropout et de batch normalization aident à réduire le risque de surapprentissage
GlobalAveragePooling2D : Les couches denses et le pooling global permettent au modèle de capturer
et de combiner efficacement des caractéristiques complexes.

model = Sequential()

model.add(base_model) # Ajout du modèle EfficientB1

model.add(GlobalAveragePooling2D())

model.add(Dropout(0.4))

model.add(Dense(1024, activation='relu'))

model.add(BatchNormalization())

model.add(Dense(1024, activation='relu'))

model.add(Dropout(0.4))

model.add(Dense(27, activation='softmax'))

Rapport d'entraînement

Epoch 1/20
4670/4670 [==============================] - 2830s 603ms/step - loss: 2.0716 - accuracy: 0.4152 - val_loss: 1.4348 - val_accuracy: 0.5778 - lr: 1.0000e-04

Epoch 2/20
4670/4670 [==============================] - 2833s 607ms/step - loss: 1.5588 - accuracy: 0.5415 - val_loss: 1.3241 - val_accuracy: 0.6158 - lr: 1.0000e-04

Epoch 3/20
4670/4670 [==============================] - 2895s 620ms/step - loss: 1.3378 - accuracy: 0.5986 - val_loss: 1.2785 - val_accuracy: 0.6294 - lr: 1.0000e-04

Epoch 4/20
4670/4670 [==============================] - 2854s 611ms/step - loss: 1.1716 - accuracy: 0.6424 - val_loss: 1.3291 - val_accuracy: 0.6307 - lr: 1.0000e-04

Epoch 5/20
4670/4670 [==============================] - 2882s 617ms/step - loss: 1.0406 - accuracy: 0.6774 - val_loss: 1.2954 - val_accuracy: 0.6463 - lr: 1.0000e-04

Epoch 6/20
4670/4670 [==============================] - 2840s 608ms/step - loss: 0.9342 - accuracy: 0.7055 - val_loss: 1.3314 - val_accuracy: 0.6437 - lr: 1.0000e-04

Epoch 7/20
4670/4670 [==============================] - 2840s 608ms/step - loss: 0.8464 - accuracy: 0.7292 - val_loss: 1.3677 - val_accuracy: 0.6420 - lr: 1.0000e-04
Epoch 7: ReduceLROnPlateau reducing learning rate to 4.999999873689376e-05.

Epoch 8/20
4670/4670 [==============================] - 2840s 608ms/step - loss: 0.6803 - accuracy: 0.7774 - val_loss: 1.3871 - val_accuracy: 0.6563 - lr: 5.0000e-05

Epoch 9/20
4670/4670 [==============================] - 2840s 608ms/step - loss: 0.6027 - accuracy: 0.7998 - val_loss: 1.4737 - val_accuracy: 0.6547 - lr: 5.0000e-05

Epoch 10/20
4670/4670 [==============================] - 2837s 608ms/step - loss: 0.5524 - accuracy: 0.8154 - val_loss: 1.5161 - val_accuracy: 0.6542 - lr: 5.0000e-05
Epoch 10: ReduceLROnPlateau reducing learning rate to 2.499999936844688e-05.

Epoch 11/20
4670/4670 [==============================] - 2840s 608ms/step - loss: 0.5006 - accuracy: 0.8320 - val_loss: 1.5787 - val_accuracy: 0.6564 - lr: 5.0000e-05

Epoch 12/20
4670/4670 [==============================] - 2913s 624ms/step - loss: 0.4202 - accuracy: 0.8579 - val_loss: 1.5913 - val_accuracy: 0.6602 - lr: 2.5000e-05

Epoch 13/20
4670/4670 [==============================] - 2834s 607ms/step - loss: 0.3829 - accuracy: 0.8709 - val_loss: 1.6535 - val_accuracy: 0.6567 - lr: 2.5000e-05

Epoch 14/20
4670/4670 [==============================] - 2900s 621ms/step - loss: 0.3567 - accuracy: 0.8788 - val_loss: 1.7056 - val_accuracy: 0.6570 - lr: 2.5000e-05

Epoch 15/20
4670/4670 [==============================] - 2846s 609ms/step - loss: 0.3319 - accuracy: 0.8861 - val_loss: 1.7011 - val_accuracy: 0.6632 - lr: 2.5000e-05
Epoch 15: ReduceLROnPlateau reducing learning rate to 1.249999968422344e-05.

Epoch 16/20
4670/4670 [==============================] - 2830s 606ms/step - loss: 0.2981 - accuracy: 0.8976 - val_loss: 1.7517 - val_accuracy: 0.6612 - lr: 1.2500e-05

Epoch 17/20
4670/4670 [==============================] - 2828s 606ms/step - loss: 0.2833 - accuracy: 0.9024 - val_loss: 1.7730 - val_accuracy: 0.6627 - lr: 1.2500e-05

Epoch 18/20
4670/4670 [==============================] - 2864s 613ms/step - loss: 0.2653 - accuracy: 0.9085 - val_loss: 1.8102 - val_accuracy: 0.6594 - lr: 1.2500e-05

Epoch 19/20
4670/4670 [==============================] - 4352s 932ms/step - loss: 0.2572 - accuracy: 0.9109 - val_loss: 1.8403 - val_accuracy: 0.6614 - lr: 1.2500e-05
Epoch 19: ReduceLROnPlateau reducing learning rate to 6.24999984211172e-06.

Epoch 20/20
4670/4670 [==============================] - 4476s 958ms/step - loss: 0.2399 - accuracy: 0.9178 - val_loss: 1.8650 - val_accuracy: 0.6591 - lr: 6.2500e-06

precisions et pertes par époque :

val_accuracy: 0.6590

Resultats EfficientNetB1

Rapport de classification :

Ce rapport inclut des métriques comme la précision, le rappel (recall), le score F1 et le support pour chaque classe individuelle :

Précision (Precision) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs prédit (Vrai Positif + Faux Positif)
Rappel (Recall) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs (Vrai Positif + Faux Négatif)
Score F1 : La moyenne harmonique de la précision et du rappel, fournissant une évaluation relativement correct de la performance de notre modèle
Support : Le nombre d'occurrences réelles de chaque classe dans l'ensemble de test.

Précision de la Prédiction: 65.91497880357984 %

Évaluation détaillée de la Classification par RDF :

Classe	Précision	Rappel	F1-Score	Support
10	0.57	0.44	0.50	623
40	0.68	0.54	0.60	502
50	0.52	0.53	0.53	336
60	0.77	0.81	0.79	166
1140	0.67	0.66	0.66	534
1160	0.90	0.96	0.93	791
1180	0.44	0.55	0.49	153
1280	0.48	0.40	0.43	974
1281	0.37	0.34	0.36	414
1300	0.68	0.79	0.73	1009
1301	0.57	0.71	0.64	161
1302	0.50	0.48	0.49	498
1320	0.54	0.54	0.54	648
1560	0.58	0.61	0.59	1015
1920	0.80	0.77	0.78	861
1940	0.71	0.79	0.74	161
2060	0.57	0.49	0.52	999
2220	0.47	0.53	0.50	165
2280	0.76	0.80	0.78	952
2403	0.68	0.68	0.68	955
2462	0.60	0.71	0.65	284
2522	0.70	0.72	0.71	998
2582	0.43	0.47	0.45	518
2583	0.88	0.86	0.87	2042
2585	0.51	0.50	0.51	499
2705	0.63	0.73	0.68	552
2905	0.64	0.85	0.73	174
accuracy			0.66	16984
macro avg	0.62	0.64	0.63	16984
weighted avg	0.66	0.66	0.66	16984

Matrice de confusion :

1. La matrice de confusion fournit une représentation visuelle des performances du modèle, montrant non seulement les bonnes classifications mais aussi les erreurs (faux positifs et faux négatifs).
2. En identifiant où le modèle a échoué (c.-à-d., les cellules non-diagonales de la matrice), on peut cibler les améliorations à apporter au modèle ou aux données d'entraînement.
3. Analyser la matrice de confusion permet d'identifier des classes spécifiques qui sont souvent confondues, ce qui peut indiquer un besoin d'ajustement des caractéristiques d'entrée ou d'ajout de données supplémentaires pour ces classes.

confusion_EfficientNetB1

répartition des classes :

10 ------ livres

10, 43.98%, livres

2705, 21.67%, bds et livres

2280, 11.56%, magazines

2403, 10.75%, livres et bds

2522, 1.77%, produits de papeterie et rangement bureau

40 ------ jeux video pour pc et consoles

40, 53.98%, jeux video pour pc et consoles

2905, 8.76%, Jeu En téléchargement

2462, 8.17%, consoles de jeux video et jeux videos

50, 5.38%, accesoires jeux video

1281, 3.59%, jeux de societe/cartes

50 ------ accesoires jeux video

50, 52.68%, accesoires jeux video

1300, 7.74%, Petites voitures (jouets) et maquettes

60, 5.95%, consoles de jeux video

2462, 4.46%, consoles de jeux video et jeux videos

1140, 4.17%, produits derives “geeks” et figurines

60 ------ consoles de jeux video

60, 80.72%, consoles de jeux video

2462, 5.42%, consoles de jeux video et jeux videos

50, 4.82%, accesoires jeux video

40, 2.41%, jeux video pour pc et consoles

1280, 1.81%, jouets, peluches, poupees

1140 ------ produits derives “geeks” et figurines

1140, 65.54%, produits derives “geeks” et figurines

1280, 9.55%, jouets, peluches, poupees

1180, 4.49%, figurines collectionables pour jeux de societe

1281, 2.43%, jeux de societe/cartes

1300, 2.25%, Petites voitures (jouets) et maquettes

1160 ------ cartes collectionables

1160, 95.58%, cartes collectionables

2403, 0.76%, livres et bds

40, 0.51%, jeux video pour pc et consoles

1280, 0.51%, jouets, peluches, poupees

2462, 0.51%, consoles de jeux video et jeux videos

1180 ------ figurines collectionables pour jeux de societe

1180, 54.90%, figurines collectionables pour jeux de societe

1140, 7.84%, produits derives “geeks” et figurines

1281, 7.19%, jeux de societe/cartes

1280, 4.58%, jouets, peluches, poupees

2403, 3.92%, livres et bds

1280 ------ jouets, peluches, poupees

1280, 39.53%, jouets, peluches, poupees

1300, 16.32%, Petites voitures (jouets) et maquettes

1281, 7.29%, jeux de societe/cartes

1140, 6.78%, produits derives “geeks” et figurines

1320, 5.24%, sacs pour femmes et accesore petite enfance

1281 ------ jeux de societe/cartes

1281, 34.30%, jeux de societe/cartes

1280, 14.25%, jouets, peluches, poupees

2403, 7.49%, livres et bds

1180, 6.04%, figurines collectionables pour jeux de societe

1160, 5.56%, cartes collectionables

1300 ------ Petites voitures (jouets) et maquettes

1300, 79.39%, Petites voitures (jouets) et maquettes

1280, 8.72%, jouets, peluches, poupees

50, 1.98%, accesoires jeux video

2585, 1.29%, outillage et accesoires pour jardinage

1302, 1.09%, jeux d'exterieur

1301 ------ accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1301, 71.43%, accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1320, 3.73%, sacs pour femmes et accesore petite enfance

2583, 3.11%, accesoires de piscine

2060, 2.48%, lampes et accesoires decoration pour maison

2585, 2.48%, outillage et accesoires pour jardinage

1302 ------ jeux d'exterieur

1302, 47.99%, jeux d'exterieur

1280, 7.83%, jouets, peluches, poupees

1320, 7.63%, sacs pour femmes et accesore petite enfance

1560, 4.22%, Mobilier et produits decoration/rangement pour la maison

2585, 4.02%, outillage et accesoires pour jardinage

1320 ------ sacs pour femmes et accesore petite enfance

1320, 53.55%, sacs pour femmes et accesore petite enfance

1560, 6.64%, Mobilier et produits decoration/rangement pour la maison

2060, 5.71%, lampes et accesoires decoration pour maison

1280, 5.25%, jouets, peluches, poupees

1920, 3.40%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1560 ------ Mobilier et produits decoration/rangement pour la maison

1560, 60.89%, Mobilier et produits decoration/rangement pour la maison

2582, 9.85%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2060, 7.39%, lampes et accesoires decoration pour maison

1920, 4.24%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1320, 3.25%, sacs pour femmes et accesore petite enfance

1920 ------ linge de maison (cousins, rideaux, serviettes, nappes, draps)

1920, 76.89%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1560, 6.62%, Mobilier et produits decoration/rangement pour la maison

2060, 5.57%, lampes et accesoires decoration pour maison

1320, 2.44%, sacs pour femmes et accesore petite enfance

2522, 1.51%, produits de papeterie et rangement bureau

1940 ------ nouriture (cafes,infusions,conserves, epices,etc)

1940, 78.88%, nouriture (cafes,infusions,conserves, epices,etc)

2522, 2.48%, produits de papeterie et rangement bureau

2582, 2.48%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1560, 1.86%, Mobilier et produits decoration/rangement pour la maison

2583, 1.86%, accesoires de piscine

2060 ------ lampes et accesoires decoration pour maison

2060, 48.85%, lampes et accesoires decoration pour maison

1560, 11.01%, Mobilier et produits decoration/rangement pour la maison

1920, 5.71%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

2582, 5.41%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1320, 4.40%, sacs pour femmes et accesore petite enfance

2220 ------ accesoires mascots/pets

2220, 53.33%, accesoires mascots/pets

1320, 6.67%, sacs pour femmes et accesore petite enfance

1560, 6.06%, Mobilier et produits decoration/rangement pour la maison

1280, 6.06%, jouets, peluches, poupees

2582, 4.85%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2280 ------ magazines

2280, 80.46%, magazines

2403, 9.98%, livres et bds

10, 3.78%, livres

2705, 2.21%, bds et livres

40, 0.84%, jeux video pour pc et consoles

2403 ------ livres et bds

2403, 68.27%, livres et bds

2280, 10.89%, magazines

10, 4.82%, livres

2705, 3.04%, bds et livres

2462, 2.83%, consoles de jeux video et jeux videos

2462 ------ consoles de jeux video et jeux videos

2462, 70.77%, consoles de jeux video et jeux videos

40, 11.27%, jeux video pour pc et consoles

2403, 3.87%, livres et bds

50, 3.17%, accesoires jeux video

60, 1.41%, consoles de jeux video

2522 ------ produits de papeterie et rangement bureau

2522, 71.84%, produits de papeterie et rangement bureau

2583, 2.81%, accesoires de piscine

2060, 2.51%, lampes et accesoires decoration pour maison

2585, 2.40%, outillage et accesoires pour jardinage

1560, 2.30%, Mobilier et produits decoration/rangement pour la maison

2582 ------ mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2582, 46.53%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1560, 15.83%, Mobilier et produits decoration/rangement pour la maison

2060, 8.69%, lampes et accesoires decoration pour maison

2585, 5.98%, outillage et accesoires pour jardinage

1302, 5.60%, jeux d'exterieur

2583 ------ accesoires de piscine

2583, 86.04%, accesoires de piscine

2585, 2.15%, outillage et accesoires pour jardinage

2582, 1.42%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2522, 1.37%, produits de papeterie et rangement bureau

2060, 1.27%, lampes et accesoires decoration pour maison

2585 ------ outillage et accesoires pour jardinage

2585, 50.30%, outillage et accesoires pour jardinage

2583, 9.22%, accesoires de piscine

1560, 6.81%, Mobilier et produits decoration/rangement pour la maison

1300, 6.61%, Petites voitures (jouets) et maquettes

2582, 5.21%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2705 ------ bds et livres

2705, 73.19%, bds et livres

10, 17.21%, livres

2403, 3.26%, livres et bds

2280, 1.81%, magazines

2905, 1.45%, Jeu En téléchargement

2905 ------ Jeu En téléchargement

2905, 85.06%, Jeu En téléchargement

2705, 6.90%, bds et livres

40, 1.72%, jeux video pour pc et consoles

2280, 1.15%, magazines

1281, 1.15%, jeux de societe/cartes

Modèle VGG16

Configuration de VGG16 pour le transfert learning :

Construction du Modèle Séquentiel :

L'objectif de cette architecture est de tirer parti de l'extraction de caractéristiques avancées de VGG16
et de compléter avec des couches personnalisées qui adaptent ces caractéristiques pour une classification
sur 27 classes.

Régularisation : Les couches de dropout et de batch normalization aident à réduire le risque de surapprentissage
GlobalAveragePooling2D : Les couches denses et le pooling global permettent au modèle de capturer
et de combiner efficacement des caractéristiques complexes.

model = Sequential()

model.add(base_model) # Ajout du modèle VGG16 : 19 couches , couches gelées : 15

model.add(GlobalAveragePooling2D())

model.add(Dropout(0.4))

model.add(Dense(1024, activation='relu'))

model.add(BatchNormalization())

model.add(Dense(1024, activation='relu'))

model.add(Dropout(0.4))

model.add(Dense(27, activation='softmax'))

Rapport d'entraînement

Epoch 1/40
4670/4670 [==============================] - 1234s 264ms/step - loss: 2.8628 - accuracy: 0.2143 - val_loss: 1.9908 - val_accuracy: 0.4259 - lr: 1.0000e-05

Epoch 2/40
4670/4670 [==============================] - 1267s 271ms/step - loss: 2.3314 - accuracy: 0.3406 - val_loss: 1.7883 - val_accuracy: 0.4800 - lr: 1.0000e-05

Epoch 3/40
4670/4670 [==============================] - 1239s 265ms/step - loss: 2.1286 - accuracy: 0.3911 - val_loss: 1.6959 - val_accuracy: 0.5087 - lr: 1.0000e-05

Epoch 4/40
4670/4670 [==============================] - 1288s 276ms/step - loss: 1.9956 - accuracy: 0.4276 - val_loss: 1.6169 - val_accuracy: 0.5294 - lr: 1.0000e-05

Epoch 5/40
4670/4670 [==============================] - 1240s 266ms/step - loss: 1.9002 - accuracy: 0.4498 - val_loss: 1.5674 - val_accuracy: 0.5420 - lr: 1.0000e-05

Epoch 6/40
4670/4670 [==============================] - 1282s 274ms/step - loss: 1.8175 - accuracy: 0.4706 - val_loss: 1.5274 - val_accuracy: 0.5508 - lr: 1.0000e-05

Epoch 7/40
4670/4670 [==============================] - 1247s 267ms/step - loss: 1.7444 - accuracy: 0.4912 - val_loss: 1.5084 - val_accuracy: 0.5585 - lr: 1.0000e-05

Epoch 8/40
4670/4670 [==============================] - 1238s 265ms/step - loss: 1.6857 - accuracy: 0.5048 - val_loss: 1.4645 - val_accuracy: 0.5704 - lr: 1.0000e-05

Epoch 9/40
4670/4670 [==============================] - 1277s 273ms/step - loss: 1.6229 - accuracy: 0.5208 - val_loss: 1.4792 - val_accuracy: 0.5700 - lr: 1.0000e-05

Epoch 10/40
4670/4670 [==============================] - 1256s 269ms/step - loss: 1.5774 - accuracy: 0.5329 - val_loss: 1.4046 - val_accuracy: 0.5877 - lr: 1.0000e-05

Epoch 11/40
4670/4670 [==============================] - 1262s 270ms/step - loss: 1.5353 - accuracy: 0.5448 - val_loss: 1.3712 - val_accuracy: 0.5924 - lr: 1.0000e-05

Epoch 12/40
4670/4670 [==============================] - 1281s 274ms/step - loss: 1.4911 - accuracy: 0.5555 - val_loss: 1.3940 - val_accuracy: 0.5870 - lr: 1.0000e-05

Epoch 13/40
4670/4670 [==============================] - 1250s 268ms/step - loss: 1.4531 - accuracy: 0.5672 - val_loss: 1.3806 - val_accuracy: 0.5929 - lr: 1.0000e-05

Epoch 14/40
4670/4670 [==============================] - 1237s 265ms/step - loss: 1.4129 - accuracy: 0.5761 - val_loss: 1.3792 - val_accuracy: 0.5955 - lr: 1.0000e-05

Epoch 15/40
4670/4670 [==============================] - 1230s 263ms/step - loss: 1.3715 - accuracy: 0.5888 - val_loss: 1.3513 - val_accuracy: 0.6042 - lr: 1.0000e-05

Epoch 16/40
4670/4670 [==============================] - 1230s 263ms/step - loss: 1.3397 - accuracy: 0.5960 - val_loss: 1.3516 - val_accuracy: 0.5991 - lr: 1.0000e-05

Epoch 17/40
4670/4670 [==============================] - 1255s 269ms/step - loss: 1.3106 - accuracy: 0.6038 - val_loss: 1.3627 - val_accuracy: 0.6024 - lr: 1.0000e-05

Epoch 18/40
4670/4670 [==============================] - 1274s 273ms/step - loss: 1.2705 - accuracy: 0.6133 - val_loss: 1.3384 - val_accuracy: 0.6109 - lr: 1.0000e-05

Epoch 19/40
4670/4670 [==============================] - 1239s 265ms/step - loss: 1.2441 - accuracy: 0.6201 - val_loss: 1.3207 - val_accuracy: 0.6080 - lr: 1.0000e-05

Epoch 20/40
4670/4670 [==============================] - 1230s 263ms/step - loss: 1.2141 - accuracy: 0.6293 - val_loss: 1.3243 - val_accuracy: 0.6102 - lr: 1.0000e-05

Epoch 21/40
4670/4670 [==============================] - 1229s 263ms/step - loss: 1.1889 - accuracy: 0.6371 - val_loss: 1.3471 - val_accuracy: 0.6070 - lr: 1.0000e-05

Epoch 22/40
4670/4670 [==============================] - 1229s 263ms/step - loss: 1.1562 - accuracy: 0.6467 - val_loss: 1.3140 - val_accuracy: 0.6144 - lr: 1.0000e-05

Epoch 23/40
4670/4670 [==============================] - 1229s 263ms/step - loss: 1.1263 - accuracy: 0.6539 - val_loss: 1.3111 - val_accuracy: 0.6131 - lr: 1.0000e-05

Epoch 24/40
4670/4670 [==============================] - 1228s 263ms/step - loss: 1.1057 - accuracy: 0.6577 - val_loss: 1.3157 - val_accuracy: 0.6152 - lr: 1.0000e-05

Epoch 25/40
4670/4670 [==============================] - 1228s 263ms/step - loss: 1.0793 - accuracy: 0.6653 - val_loss: 1.2948 - val_accuracy: 0.6206 - lr: 1.0000e-05

Epoch 26/40
4670/4670 [==============================] - 1230s 263ms/step - loss: 1.0639 - accuracy: 0.6706 - val_loss: 1.3355 - val_accuracy: 0.6169 - lr: 1.0000e-05

Epoch 27/40
4670/4670 [==============================] - 1227s 263ms/step - loss: 1.0360 - accuracy: 0.6776 - val_loss: 1.3119 - val_accuracy: 0.6209 - lr: 1.0000e-05

Epoch 28/40
4670/4670 [==============================] - 1231s 264ms/step - loss: 1.0118 - accuracy: 0.6861 - val_loss: 1.3576 - val_accuracy: 0.6165 - lr: 1.0000e-05

Epoch 29/40
4670/4670 [==============================] - 1281s 274ms/step - loss: 0.9927 - accuracy: 0.6908 - val_loss: 1.3214 - val_accuracy: 0.6196 - lr: 1.0000e-05
Epoch 29: ReduceLROnPlateau reducing learning rate to 4.999999873689376e-06.

Epoch 30/40
4670/4670 [==============================] - 1232s 264ms/step - loss: 0.9373 - accuracy: 0.7060 - val_loss: 1.2972 - val_accuracy: 0.6273 - lr: 5.0000e-06

Epoch 31/40
4670/4670 [==============================] - 1232s 264ms/step - loss: 0.9200 - accuracy: 0.7107 - val_loss: 1.3114 - val_accuracy: 0.6247 - lr: 5.0000e-06

Epoch 32/40
4670/4670 [==============================] - 1235s 264ms/step - loss: 0.9026 - accuracy: 0.7165 - val_loss: 1.3108 - val_accuracy: 0.6230 - lr: 5.0000e-06

Epoch 33/40
4670/4670 [==============================] - 1282s 274ms/step - loss: 0.8909 - accuracy: 0.7192 - val_loss: 1.3026 - val_accuracy: 0.6258 - lr: 5.0000e-06
Epoch 33: ReduceLROnPlateau reducing learning rate to 2.499999936844688e-06.

Epoch 34/40
4670/4670 [==============================] - 1234s 264ms/step - loss: 0.8605 - accuracy: 0.7265 - val_loss: 1.2955 - val_accuracy: 0.6294 - lr: 2.5000e-06

Epoch 35/40
4670/4670 [==============================] - 1230s 263ms/step - loss: 0.8500 - accuracy: 0.7317 - val_loss: 1.3008 - val_accuracy: 0.6308 - lr: 2.5000e-06

Epoch 36/40
4670/4670 [==============================] - 1228s 263ms/step - loss: 0.8481 - accuracy: 0.7329 - val_loss: 1.3014 - val_accuracy: 0.6280 - lr: 2.5000e-06

Epoch 37/40
4670/4670 [==============================] - 1228s 263ms/step - loss: 0.8349 - accuracy: 0.7342 - val_loss: 1.3104 - val_accuracy: 0.6294 - lr: 2.5000e-06
Epoch 37: ReduceLROnPlateau reducing learning rate to 1.249999968422344e-06.

Epoch 38/40
4670/4670 [==============================] - 1267s 271ms/step - loss: 0.8229 - accuracy: 0.7389 - val_loss: 1.3066 - val_accuracy: 0.6299 - lr: 1.2500e-06

Epoch 39/40
4670/4670 [==============================] - 1250s 268ms/step - loss: 0.8149 - accuracy: 0.7396 - val_loss: 1.2971 - val_accuracy: 0.6324 - lr: 1.2500e-06

Epoch 40/40
4670/4670 [==============================] - 1231s 264ms/step - loss: 0.8174 - accuracy: 0.7400 - val_loss: 1.3041 - val_accuracy: 0.6319 - lr: 1.2500e-06

precisions et pertes par époque :

Accuracy: 0.6319

Resultats VGG16

Rapport de classification :

Ce rapport inclut des métriques comme la précision, le rappel (recall), le score F1 et le support pour chaque classe individuelle :

Précision (Precision) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs prédit (Vrai Positif + Faux Positif)
Rappel (Recall) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs (Vrai Positif + Faux Négatif)
Score F1 : La moyenne harmonique de la précision et du rappel, fournissant une évaluation relativement correct de la performance de notre modèle
Support : Le nombre d'occurrences réelles de chaque classe dans l'ensemble de test.

Précision de la Prédiction: 63.1888836552049 %

Évaluation détaillée de la Classification par RDF :

Classe	Précision	Rappel	F1-Score	Support
10	0.58	0.44	0.50	623
40	0.71	0.53	0.61	502
50	0.37	0.42	0.39	336
60	0.66	0.83	0.73	166
1140	0.56	0.67	0.61	534
1160	0.89	0.93	0.91	791
1180	0.43	0.45	0.44	153
1280	0.46	0.39	0.42	974
1281	0.38	0.27	0.32	414
1300	0.62	0.83	0.71	1009
1301	0.60	0.60	0.60	161
1302	0.45	0.36	0.40	498
1320	0.48	0.43	0.45	648
1560	0.58	0.59	0.59	1015
1920	0.80	0.79	0.80	861
1940	0.56	0.73	0.63	161
2060	0.51	0.44	0.47	999
2220	0.44	0.45	0.45	165
2280	0.74	0.81	0.77	952
2403	0.69	0.66	0.68	955
2462	0.53	0.70	0.60	284
2522	0.62	0.68	0.65	998
2582	0.61	0.37	0.46	518
2583	0.83	0.82	0.83	2042
2585	0.47	0.43	0.45	499
2705	0.62	0.79	0.69	552
2905	0.60	0.87	0.71	174
accuracy			0.63	16984
macro avg	0.58	0.60	0.59	16984
weighted avg	0.63	0.63	0.62	16984

Matrice de confusion :

1. La matrice de confusion fournit une représentation visuelle des performances du modèle, montrant non seulement les bonnes classifications mais aussi les erreurs (faux positifs et faux négatifs).
2. En identifiant où le modèle a échoué (c.-à-d., les cellules non-diagonales de la matrice), on peut cibler les améliorations à apporter au modèle ou aux données d'entraînement.
3. Analyser la matrice de confusion permet d'identifier des classes spécifiques qui sont souvent confondues, ce qui peut indiquer un besoin d'ajustement des caractéristiques d'entrée ou d'ajout de données supplémentaires pour ces classes.

confusion_VGG16

répartition des classes :

10 ------ livres

10, 43.66%, livres

2705, 21.67%, bds et livres

2280, 13.48%, magazines

2403, 10.11%, livres et bds

2522, 2.25%, produits de papeterie et rangement bureau

40 ------ jeux video pour pc et consoles

40, 53.19%, jeux video pour pc et consoles

2905, 8.57%, Jeu En téléchargement

2462, 7.57%, consoles de jeux video et jeux videos

50, 5.18%, accesoires jeux video

1300, 2.99%, Petites voitures (jouets) et maquettes

50 ------ accesoires jeux video

50, 41.67%, accesoires jeux video

1300, 13.10%, Petites voitures (jouets) et maquettes

60, 7.14%, consoles de jeux video

2462, 6.25%, consoles de jeux video et jeux videos

2583, 5.65%, accesoires de piscine

60 ------ consoles de jeux video

60, 82.53%, consoles de jeux video

2462, 5.42%, consoles de jeux video et jeux videos

50, 3.61%, accesoires jeux video

1281, 1.81%, jeux de societe/cartes

2522, 1.81%, produits de papeterie et rangement bureau

1140 ------ produits derives “geeks” et figurines

1140, 66.67%, produits derives “geeks” et figurines

1280, 8.24%, jouets, peluches, poupees

1180, 2.81%, figurines collectionables pour jeux de societe

1300, 2.06%, Petites voitures (jouets) et maquettes

2462, 1.87%, consoles de jeux video et jeux videos

1160 ------ cartes collectionables

1160, 93.05%, cartes collectionables

2403, 1.26%, livres et bds

2462, 1.14%, consoles de jeux video et jeux videos

1180, 0.76%, figurines collectionables pour jeux de societe

40, 0.63%, jeux video pour pc et consoles

1180 ------ figurines collectionables pour jeux de societe

1180, 45.10%, figurines collectionables pour jeux de societe

1140, 13.73%, produits derives “geeks” et figurines

1280, 7.19%, jouets, peluches, poupees

1281, 5.23%, jeux de societe/cartes

2705, 3.92%, bds et livres

1280 ------ jouets, peluches, poupees

1280, 38.71%, jouets, peluches, poupees

1300, 18.89%, Petites voitures (jouets) et maquettes

1140, 9.86%, produits derives “geeks” et figurines

1281, 5.03%, jeux de societe/cartes

1302, 4.21%, jeux d'exterieur

1281 ------ jeux de societe/cartes

1281, 26.81%, jeux de societe/cartes

1280, 16.67%, jouets, peluches, poupees

2403, 7.49%, livres et bds

2522, 5.56%, produits de papeterie et rangement bureau

1160, 5.31%, cartes collectionables

1300 ------ Petites voitures (jouets) et maquettes

1300, 83.05%, Petites voitures (jouets) et maquettes

50, 3.57%, accesoires jeux video

1280, 2.18%, jouets, peluches, poupees

2583, 1.88%, accesoires de piscine

2585, 1.59%, outillage et accesoires pour jardinage

1301 ------ accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1301, 60.25%, accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1280, 4.97%, jouets, peluches, poupees

2522, 4.97%, produits de papeterie et rangement bureau

2583, 4.35%, accesoires de piscine

1320, 4.35%, sacs pour femmes et accesore petite enfance

1302 ------ jeux d'exterieur

1302, 35.74%, jeux d'exterieur

1280, 14.46%, jouets, peluches, poupees

1300, 7.23%, Petites voitures (jouets) et maquettes

2583, 7.03%, accesoires de piscine

1320, 5.82%, sacs pour femmes et accesore petite enfance

1320 ------ sacs pour femmes et accesore petite enfance

1320, 42.59%, sacs pour femmes et accesore petite enfance

1280, 10.34%, jouets, peluches, poupees

1560, 6.94%, Mobilier et produits decoration/rangement pour la maison

2060, 6.64%, lampes et accesoires decoration pour maison

2583, 5.09%, accesoires de piscine

1560 ------ Mobilier et produits decoration/rangement pour la maison

1560, 59.11%, Mobilier et produits decoration/rangement pour la maison

2060, 9.56%, lampes et accesoires decoration pour maison

1320, 4.73%, sacs pour femmes et accesore petite enfance

1920, 3.74%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

2582, 3.74%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1920 ------ linge de maison (cousins, rideaux, serviettes, nappes, draps)

1920, 79.33%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1560, 5.57%, Mobilier et produits decoration/rangement pour la maison

2060, 4.07%, lampes et accesoires decoration pour maison

1320, 2.09%, sacs pour femmes et accesore petite enfance

1280, 1.16%, jouets, peluches, poupees

1940 ------ nouriture (cafes,infusions,conserves, epices,etc)

1940, 72.67%, nouriture (cafes,infusions,conserves, epices,etc)

2522, 4.35%, produits de papeterie et rangement bureau

2583, 3.11%, accesoires de piscine

1281, 3.11%, jeux de societe/cartes

1320, 3.11%, sacs pour femmes et accesore petite enfance

2060 ------ lampes et accesoires decoration pour maison

2060, 44.44%, lampes et accesoires decoration pour maison

1560, 10.01%, Mobilier et produits decoration/rangement pour la maison

1920, 7.01%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

2522, 4.90%, produits de papeterie et rangement bureau

1320, 4.30%, sacs pour femmes et accesore petite enfance

2220 ------ accesoires mascots/pets

2220, 45.45%, accesoires mascots/pets

1280, 9.09%, jouets, peluches, poupees

1320, 7.27%, sacs pour femmes et accesore petite enfance

1560, 5.45%, Mobilier et produits decoration/rangement pour la maison

2583, 5.45%, accesoires de piscine

2280 ------ magazines

2280, 81.09%, magazines

2403, 7.46%, livres et bds

10, 3.68%, livres

2705, 3.57%, bds et livres

1160, 1.05%, cartes collectionables

2403 ------ livres et bds

2403, 66.07%, livres et bds

2280, 12.46%, magazines

10, 5.03%, livres

2705, 3.87%, bds et livres

2462, 3.35%, consoles de jeux video et jeux videos

2462 ------ consoles de jeux video et jeux videos

2462, 70.07%, consoles de jeux video et jeux videos

40, 9.86%, jeux video pour pc et consoles

2403, 4.23%, livres et bds

60, 2.46%, consoles de jeux video

2905, 2.11%, Jeu En téléchargement

2522 ------ produits de papeterie et rangement bureau

2522, 68.14%, produits de papeterie et rangement bureau

2403, 3.41%, livres et bds

2583, 3.31%, accesoires de piscine

1560, 2.61%, Mobilier et produits decoration/rangement pour la maison

2060, 2.51%, lampes et accesoires decoration pour maison

2582 ------ mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2582, 37.26%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1560, 16.41%, Mobilier et produits decoration/rangement pour la maison

2060, 13.71%, lampes et accesoires decoration pour maison

2583, 8.11%, accesoires de piscine

2522, 5.41%, produits de papeterie et rangement bureau

2583 ------ accesoires de piscine

2583, 82.37%, accesoires de piscine

1320, 2.20%, sacs pour femmes et accesore petite enfance

2522, 2.15%, produits de papeterie et rangement bureau

2585, 1.96%, outillage et accesoires pour jardinage

1300, 1.76%, Petites voitures (jouets) et maquettes

2585 ------ outillage et accesoires pour jardinage

2585, 43.29%, outillage et accesoires pour jardinage

1300, 10.22%, Petites voitures (jouets) et maquettes

2583, 9.62%, accesoires de piscine

2522, 7.41%, produits de papeterie et rangement bureau

1560, 5.01%, Mobilier et produits decoration/rangement pour la maison

2705 ------ bds et livres

2705, 78.80%, bds et livres

10, 10.14%, livres

2280, 2.90%, magazines

2905, 2.54%, Jeu En téléchargement

40, 1.63%, jeux video pour pc et consoles

2905 ------ Jeu En téléchargement

2905, 86.78%, Jeu En téléchargement

2705, 2.30%, bds et livres

1140, 2.30%, produits derives “geeks” et figurines

1300, 1.72%, Petites voitures (jouets) et maquettes

40, 1.72%, jeux video pour pc et consoles

Modèle INCEPTION

Configuration de INCEPTION pour le transfert learning :

Construction du Modèle Séquentiel :

L'objectif de cette architecture est de tirer parti de l'extraction de caractéristiques avancées d'INCEPTION
et de compléter avec des couches personnalisées qui adaptent ces caractéristiques pour une classification
sur 27 classes.

Régularisation : Les couches de dropout aident à réduire le risque de surapprentissage

model = Sequential()

model.add(base_model) # Ajout du modèle INCEPTION

model.add(Flatten())

model.add(Dropout(0.3))

model.add(Dense(1024, activation='relu'))

model.add(Dropout(0.3))

model.add(Dense(27, activation='softmax'))

Rapport d'entraînement

Epoch 1/20
4670/4670 [==============================] - 1658s 353ms/step - loss: 2.0132 - accuracy: 0.4237 - val_loss: 1.4760 - val_accuracy: 0.5702 - lr: 1.0000e-05

Epoch 2/20
4670/4670 [==============================] - 1633s 350ms/step - loss: 1.5313 - accuracy: 0.5493 - val_loss: 1.4160 - val_accuracy: 0.5901 - lr: 1.0000e-05

Epoch 3/20
4670/4670 [==============================] - 1623s 348ms/step - loss: 1.3157 - accuracy: 0.6066 - val_loss: 1.3597 - val_accuracy: 0.6102 - lr: 1.0000e-05

Epoch 4/20
4670/4670 [==============================] - 1623s 348ms/step - loss: 1.1567 - accuracy: 0.6465 - val_loss: 1.3430 - val_accuracy: 0.6264 - lr: 1.0000e-05

Epoch 5/20
4670/4670 [==============================] - 1623s 348ms/step - loss: 1.0295 - accuracy: 0.6834 - val_loss: 1.3644 - val_accuracy: 0.6262 - lr: 1.0000e-05

Epoch 6/20
4670/4670 [==============================] - 1639s 351ms/step - loss: 0.9304 - accuracy: 0.7101 - val_loss: 1.4216 - val_accuracy: 0.6247 - lr: 1.0000e-05

Epoch 7/20
4670/4670 [==============================] - 1718s 368ms/step - loss: 0.8359 - accuracy: 0.7373 - val_loss: 1.4327 - val_accuracy: 0.6287 - lr: 1.0000e-05

Epoch 8/20
4670/4670 [==============================] - 1623s 348ms/step - loss: 0.7462 - accuracy: 0.7641 - val_loss: 1.5316 - val_accuracy: 0.6308 - lr: 1.0000e-05
Epoch 8: ReduceLROnPlateau reducing learning rate to 4.999999873689376e-06.

Epoch 9/20
4670/4670 [==============================] - 1622s 347ms/step - loss: 0.6117 - accuracy: 0.8039 - val_loss: 1.5234 - val_accuracy: 0.6416 - lr: 5.0000e-06

Epoch 10/20
4670/4670 [==============================] - 1622s 347ms/step - loss: 0.5568 - accuracy: 0.8188 - val_loss: 1.5374 - val_accuracy: 0.6427 - lr: 5.0000e-06

Epoch 11/20
4670/4670 [==============================] - 1620s 347ms/step - loss: 0.5106 - accuracy: 0.8334 - val_loss: 1.5975 - val_accuracy: 0.6392 - lr: 5.0000e-06

Epoch 12/20
4670/4670 [==============================] - 1620s 347ms/step - loss: 0.4719 - accuracy: 0.8459 - val_loss: 1.6514 - val_accuracy: 0.6419 - lr: 5.0000e-06
Epoch 12: ReduceLROnPlateau reducing learning rate to 2.499999936844688e-06.

Epoch 13/20
4670/4670 [==============================] - 1619s 347ms/step - loss: 0.4062 - accuracy: 0.8663 - val_loss: 1.6622 - val_accuracy: 0.6483 - lr: 2.5000e-06

Epoch 14/20
4670/4670 [==============================] - 1620s 347ms/step - loss: 0.3832 - accuracy: 0.8737 - val_loss: 1.7043 - val_accuracy: 0.6434 - lr: 2.5000e-06

Epoch 15/20
4670/4670 [==============================] - 1621s 347ms/step - loss: 0.3626 - accuracy: 0.8822 - val_loss: 1.7180 - val_accuracy: 0.6448 - lr: 2.5000e-06

Epoch 16/20
4670/4670 [==============================] - 1621s 347ms/step - loss: 0.3390 - accuracy: 0.8877 - val_loss: 1.7766 - val_accuracy: 0.6443 - lr: 2.5000e-06
Epoch 16: ReduceLROnPlateau reducing learning rate to 1.249999968422344e-06.

Epoch 17/20
4670/4670 [==============================] - 1621s 347ms/step - loss: 0.3076 - accuracy: 0.8978 - val_loss: 1.8090 - val_accuracy: 0.6445 - lr: 1.2500e-06

Epoch 18/20
4670/4670 [==============================] - 1621s 347ms/step - loss: 0.2911 - accuracy: 0.9035 - val_loss: 1.8211 - val_accuracy: 0.6466 - lr: 1.2500e-06

Epoch 19/20
4670/4670 [==============================] - 1620s 347ms/step - loss: 0.2825 - accuracy: 0.9049 - val_loss: 1.8307 - val_accuracy: 0.6448 - lr: 1.2500e-06

Epoch 20/20
4670/4670 [==============================] - 1621s 347ms/step - loss: 0.2714 - accuracy: 0.9092 - val_loss: 1.8729 - val_accuracy: 0.6427 - lr: 1.2500e-06
Epoch 20: ReduceLROnPlateau reducing learning rate to 6.24999984211172e-07.

precisions et pertes par époque :

val_accuracy: 0.6427

Resultats INCEPTION

Rapport de classification :

Ce rapport inclut des métriques comme la précision, le rappel (recall), le score F1 et le support pour chaque classe individuelle :

Précision (Precision) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs prédit (Vrai Positif + Faux Positif)
Rappel (Recall) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs (Vrai Positif + Faux Négatif)
Score F1 : La moyenne harmonique de la précision et du rappel, fournissant une évaluation relativement correct de la performance de notre modèle
Support : Le nombre d'occurrences réelles de chaque classe dans l'ensemble de test.

Précision de la Prédiction: 64.26636834667923 %

Évaluation détaillée de la Classification par RDF :

Classe	Précision	Rappel	F1-Score	Support
10	0.48	0.45	0.46	623
40	0.63	0.47	0.54	502
50	0.48	0.43	0.46	336
60	0.71	0.81	0.76	166
1140	0.61	0.63	0.62	534
1160	0.93	0.94	0.93	791
1180	0.46	0.41	0.43	153
1280	0.48	0.42	0.45	974
1281	0.35	0.32	0.34	414
1300	0.69	0.77	0.73	1009
1301	0.61	0.68	0.64	161
1302	0.50	0.47	0.48	498
1320	0.51	0.51	0.51	648
1560	0.60	0.61	0.60	1015
1920	0.83	0.81	0.82	861
1940	0.73	0.72	0.73	161
2060	0.57	0.50	0.53	999
2220	0.47	0.51	0.49	165
2280	0.74	0.78	0.76	952
2403	0.69	0.70	0.69	955
2462	0.62	0.70	0.66	284
2522	0.64	0.73	0.68	998
2582	0.47	0.46	0.47	518
2583	0.90	0.82	0.86	2042
2585	0.45	0.55	0.50	499
2705	0.51	0.54	0.53	552
2905	0.49	0.85	0.62	174
accuracy			0.64	16984
macro avg	0.60	0.61	0.60	16984
weighted avg	0.64	0.64	0.64	16984

Matrice de confusion :

1. La matrice de confusion fournit une représentation visuelle des performances du modèle, montrant non seulement les bonnes classifications mais aussi les erreurs (faux positifs et faux négatifs).
2. En identifiant où le modèle a échoué (c.-à-d., les cellules non-diagonales de la matrice), on peut cibler les améliorations à apporter au modèle ou aux données d'entraînement.
3. Analyser la matrice de confusion permet d'identifier des classes spécifiques qui sont souvent confondues, ce qui peut indiquer un besoin d'ajustement des caractéristiques d'entrée ou d'ajout de données supplémentaires pour ces classes.

confusion_INCEPTION

répartition des classes :

10 ------ livres

10, 45.26%, livres

2705, 24.88%, bds et livres

2403, 10.43%, livres et bds

2280, 10.43%, magazines

2522, 1.77%, produits de papeterie et rangement bureau

40 ------ jeux video pour pc et consoles

40, 47.01%, jeux video pour pc et consoles

2905, 14.74%, Jeu En téléchargement

2462, 6.18%, consoles de jeux video et jeux videos

1281, 4.58%, jeux de societe/cartes

50, 4.38%, accesoires jeux video

50 ------ accesoires jeux video

50, 43.45%, accesoires jeux video

1300, 7.74%, Petites voitures (jouets) et maquettes

2522, 5.36%, produits de papeterie et rangement bureau

60, 4.76%, consoles de jeux video

1302, 4.76%, jeux d'exterieur

60 ------ consoles de jeux video

60, 81.33%, consoles de jeux video

50, 4.82%, accesoires jeux video

1281, 2.41%, jeux de societe/cartes

2462, 2.41%, consoles de jeux video et jeux videos

40, 2.41%, jeux video pour pc et consoles

1140 ------ produits derives “geeks” et figurines

1140, 62.73%, produits derives “geeks” et figurines

1280, 10.49%, jouets, peluches, poupees

1281, 4.12%, jeux de societe/cartes

1180, 3.37%, figurines collectionables pour jeux de societe

2060, 2.25%, lampes et accesoires decoration pour maison

1160 ------ cartes collectionables

1160, 93.81%, cartes collectionables

2403, 1.14%, livres et bds

2462, 0.88%, consoles de jeux video et jeux videos

2280, 0.76%, magazines

1281, 0.51%, jeux de societe/cartes

1180 ------ figurines collectionables pour jeux de societe

1180, 40.52%, figurines collectionables pour jeux de societe

1281, 10.46%, jeux de societe/cartes

1280, 9.80%, jouets, peluches, poupees

1140, 6.54%, produits derives “geeks” et figurines

2403, 5.23%, livres et bds

1280 ------ jouets, peluches, poupees

1280, 41.99%, jouets, peluches, poupees

1300, 15.40%, Petites voitures (jouets) et maquettes

1140, 6.67%, produits derives “geeks” et figurines

1281, 5.85%, jeux de societe/cartes

1320, 5.03%, sacs pour femmes et accesore petite enfance

1281 ------ jeux de societe/cartes

1281, 32.37%, jeux de societe/cartes

1280, 12.80%, jouets, peluches, poupees

2403, 6.04%, livres et bds

2522, 5.80%, produits de papeterie et rangement bureau

1140, 3.62%, produits derives “geeks” et figurines

1300 ------ Petites voitures (jouets) et maquettes

1300, 76.61%, Petites voitures (jouets) et maquettes

1280, 8.33%, jouets, peluches, poupees

2585, 3.57%, outillage et accesoires pour jardinage

50, 1.98%, accesoires jeux video

1320, 1.29%, sacs pour femmes et accesore petite enfance

1301 ------ accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1301, 68.32%, accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

2522, 6.21%, produits de papeterie et rangement bureau

1302, 4.97%, jeux d'exterieur

1320, 4.97%, sacs pour femmes et accesore petite enfance

1280, 3.11%, jouets, peluches, poupees

1302 ------ jeux d'exterieur

1302, 46.59%, jeux d'exterieur

1280, 8.23%, jouets, peluches, poupees

1320, 5.82%, sacs pour femmes et accesore petite enfance

2585, 5.02%, outillage et accesoires pour jardinage

2060, 4.42%, lampes et accesoires decoration pour maison

1320 ------ sacs pour femmes et accesore petite enfance

1320, 51.23%, sacs pour femmes et accesore petite enfance

1560, 7.25%, Mobilier et produits decoration/rangement pour la maison

1280, 6.79%, jouets, peluches, poupees

2522, 6.64%, produits de papeterie et rangement bureau

2060, 6.02%, lampes et accesoires decoration pour maison

1560 ------ Mobilier et produits decoration/rangement pour la maison

1560, 61.28%, Mobilier et produits decoration/rangement pour la maison

2060, 8.28%, lampes et accesoires decoration pour maison

2582, 7.88%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1320, 3.74%, sacs pour femmes et accesore petite enfance

2522, 3.65%, produits de papeterie et rangement bureau

1920 ------ linge de maison (cousins, rideaux, serviettes, nappes, draps)

1920, 80.60%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1560, 5.92%, Mobilier et produits decoration/rangement pour la maison

2060, 3.95%, lampes et accesoires decoration pour maison

1320, 2.56%, sacs pour femmes et accesore petite enfance

2522, 1.86%, produits de papeterie et rangement bureau

1940 ------ nouriture (cafes,infusions,conserves, epices,etc)

1940, 72.05%, nouriture (cafes,infusions,conserves, epices,etc)

2522, 4.97%, produits de papeterie et rangement bureau

2060, 2.48%, lampes et accesoires decoration pour maison

1320, 2.48%, sacs pour femmes et accesore petite enfance

1560, 1.86%, Mobilier et produits decoration/rangement pour la maison

2060 ------ lampes et accesoires decoration pour maison

2060, 49.65%, lampes et accesoires decoration pour maison

1560, 9.71%, Mobilier et produits decoration/rangement pour la maison

2582, 5.51%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1920, 5.41%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

2522, 5.21%, produits de papeterie et rangement bureau

2220 ------ accesoires mascots/pets

2220, 50.91%, accesoires mascots/pets

1320, 10.30%, sacs pour femmes et accesore petite enfance

1280, 6.67%, jouets, peluches, poupees

2585, 4.85%, outillage et accesoires pour jardinage

1560, 3.64%, Mobilier et produits decoration/rangement pour la maison

2280 ------ magazines

2280, 77.73%, magazines

2403, 9.98%, livres et bds

10, 4.31%, livres

2705, 3.89%, bds et livres

2905, 0.84%, Jeu En téléchargement

2403 ------ livres et bds

2403, 69.74%, livres et bds

2280, 11.73%, magazines

10, 4.92%, livres

2705, 3.66%, bds et livres

2522, 2.30%, produits de papeterie et rangement bureau

2462 ------ consoles de jeux video et jeux videos

2462, 70.42%, consoles de jeux video et jeux videos

40, 10.92%, jeux video pour pc et consoles

2403, 3.87%, livres et bds

60, 2.46%, consoles de jeux video

2905, 2.11%, Jeu En téléchargement

2522 ------ produits de papeterie et rangement bureau

2522, 72.65%, produits de papeterie et rangement bureau

1560, 2.40%, Mobilier et produits decoration/rangement pour la maison

2585, 2.40%, outillage et accesoires pour jardinage

2583, 2.40%, accesoires de piscine

2403, 2.00%, livres et bds

2582 ------ mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2582, 46.33%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1560, 13.90%, Mobilier et produits decoration/rangement pour la maison

2060, 8.69%, lampes et accesoires decoration pour maison

2585, 8.30%, outillage et accesoires pour jardinage

2522, 4.44%, produits de papeterie et rangement bureau

2583 ------ accesoires de piscine

2583, 82.32%, accesoires de piscine

2585, 4.26%, outillage et accesoires pour jardinage

1320, 1.76%, sacs pour femmes et accesore petite enfance

2522, 1.62%, produits de papeterie et rangement bureau

1302, 1.62%, jeux d'exterieur

2585 ------ outillage et accesoires pour jardinage

2585, 55.31%, outillage et accesoires pour jardinage

1560, 6.21%, Mobilier et produits decoration/rangement pour la maison

1300, 5.81%, Petites voitures (jouets) et maquettes

2583, 5.81%, accesoires de piscine

2582, 5.61%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2705 ------ bds et livres

2705, 54.17%, bds et livres

10, 30.80%, livres

2403, 4.89%, livres et bds

2905, 3.44%, Jeu En téléchargement

2280, 2.36%, magazines

2905 ------ Jeu En téléchargement

2905, 85.06%, Jeu En téléchargement

2705, 4.60%, bds et livres

40, 4.60%, jeux video pour pc et consoles

1280, 1.15%, jouets, peluches, poupees

1300, 1.15%, Petites voitures (jouets) et maquettes

Modèle RESNET50

Configuration de RESNET50 pour le transfert learning :

Construction du Modèle Séquentiel :

L'objectif de cette architecture est de tirer parti de l'extraction de caractéristiques avancées de RESNET50
et de compléter avec des couches personnalisées qui adaptent ces caractéristiques pour une classification
sur 27 classes.

Régularisation : Les couches de dropout et de batch normalization aident à réduire le risque de surapprentissage

model = Sequential()

model.add(base_model) # Ajout du modèle RESNET50

model.add(Flatten())

model.add(Dropout(0.4))

model.add(Dense(1024, activation='relu'))

model.add(Dropout(0.4))

model.add(Dense(27, activation='softmax'))

Rapport d'entraînement

Epoch 1/20
4670/4670 [==============================] - 1895s 404ms/step - loss: 2.2831 - accuracy: 0.3452 - val_loss: 1.5723 - val_accuracy: 0.5349 - lr: 1.0000e-05

Epoch 2/20
4670/4670 [==============================] - 1870s 401ms/step - loss: 1.6815 - accuracy: 0.5071 - val_loss: 1.4443 - val_accuracy: 0.5735 - lr: 1.0000e-05

Epoch 3/20
4670/4670 [==============================] - 1856s 398ms/step - loss: 1.4633 - accuracy: 0.5649 - val_loss: 1.3713 - val_accuracy: 0.6007 - lr: 1.0000e-05

Epoch 4/20
4670/4670 [==============================] - 1828s 391ms/step - loss: 1.3156 - accuracy: 0.6031 - val_loss: 1.3535 - val_accuracy: 0.6130 - lr: 1.0000e-05

Epoch 5/20
4670/4670 [==============================] - 1827s 391ms/step - loss: 1.1998 - accuracy: 0.6348 - val_loss: 1.3253 - val_accuracy: 0.6246 - lr: 1.0000e-05

Epoch 6/20
4670/4670 [==============================] - 1827s 391ms/step - loss: 1.1015 - accuracy: 0.6638 - val_loss: 1.3409 - val_accuracy: 0.6302 - lr: 1.0000e-05

Epoch 7/20
4670/4670 [==============================] - 1842s 394ms/step - loss: 1.0068 - accuracy: 0.6885 - val_loss: 1.3389 - val_accuracy: 0.6340 - lr: 1.0000e-05

Epoch 8/20
4670/4670 [==============================] - 1894s 405ms/step - loss: 0.9275 - accuracy: 0.7099 - val_loss: 1.3849 - val_accuracy: 0.6332 - lr: 1.0000e-05

Epoch 9/20
4670/4670 [==============================] - 1856s 397ms/step - loss: 0.8569 - accuracy: 0.7306 - val_loss: 1.4027 - val_accuracy: 0.6376 - lr: 1.0000e-05
Epoch 9: ReduceLROnPlateau reducing learning rate to 4.999999873689376e-06.

Epoch 10/20
4670/4670 [==============================] - 1857s 398ms/step - loss: 0.7488 - accuracy: 0.7623 - val_loss: 1.4253 - val_accuracy: 0.6374 - lr: 5.0000e-06

Epoch 11/20
4670/4670 [==============================] - 1857s 398ms/step - loss: 0.6990 - accuracy: 0.7759 - val_loss: 1.4641 - val_accuracy: 0.6402 - lr: 5.0000e-06

Epoch 12/20
4670/4670 [==============================] - 1857s 398ms/step - loss: 0.6582 - accuracy: 0.7879 - val_loss: 1.4984 - val_accuracy: 0.6400 - lr: 5.0000e-06

Epoch 13/20
4670/4670 [==============================] - 1857s 398ms/step - loss: 0.6192 - accuracy: 0.7983 - val_loss: 1.5457 - val_accuracy: 0.6394 - lr: 5.0000e-06
Epoch 13: ReduceLROnPlateau reducing learning rate to 2.499999936844688e-06.

Epoch 14/20
4670/4670 [==============================] - 1860s 398ms/step - loss: 0.5721 - accuracy: 0.8129 - val_loss: 1.5439 - val_accuracy: 0.6435 - lr: 2.5000e-06

Epoch 15/20
4670/4670 [==============================] - 1860s 398ms/step - loss: 0.5403 - accuracy: 0.8215 - val_loss: 1.5653 - val_accuracy: 0.6411 - lr: 2.5000e-06

Epoch 16/20
4670/4670 [==============================] - 1856s 397ms/step - loss: 0.5262 - accuracy: 0.8276 - val_loss: 1.5938 - val_accuracy: 0.6388 - lr: 2.5000e-06

Epoch 17/20
4670/4670 [==============================] - 1844s 395ms/step - loss: 0.5059 - accuracy: 0.8330 - val_loss: 1.6186 - val_accuracy: 0.6385 - lr: 2.5000e-06
Epoch 17: ReduceLROnPlateau reducing learning rate to 1.249999968422344e-06.

Epoch 18/20
4670/4670 [==============================] - 1829s 392ms/step - loss: 0.4767 - accuracy: 0.8434 - val_loss: 1.6240 - val_accuracy: 0.6401 - lr: 1.2500e-06

Epoch 19/20
4670/4670 [==============================] - 1892s 405ms/step - loss: 0.4639 - accuracy: 0.8458 - val_loss: 1.6435 - val_accuracy: 0.6413 - lr: 1.2500e-06

Epoch 20/20
4670/4670 [==============================] - 1839s 394ms/step - loss: 0.4556 - accuracy: 0.8492 - val_loss: 1.6636 - val_accuracy: 0.6370 - lr: 1.2500e-06

precisions et pertes par époque :

val_accuracy: 0.6385

Resultats RESNET50

Rapport de classification :

Ce rapport inclut des métriques comme la précision, le rappel (recall), le score F1 et le support pour chaque classe individuelle :

Précision (Precision) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs prédit (Vrai Positif + Faux Positif)
Rappel (Recall) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs (Vrai Positif + Faux Négatif)
Score F1 : La moyenne harmonique de la précision et du rappel, fournissant une évaluation relativement correct de la performance de notre modèle
Support : Le nombre d'occurrences réelles de chaque classe dans l'ensemble de test.

Précision de la Prédiction: 63.70113047574188 %

Évaluation détaillée de la Classification par RDF :

Classe	Précision	Rappel	F1-Score	Support
10	0.59	0.41	0.48	623
40	0.71	0.44	0.54	502
50	0.43	0.47	0.45	336
60	0.72	0.77	0.74	166
1140	0.60	0.65	0.62	534
1160	0.91	0.95	0.93	791
1180	0.40	0.44	0.42	153
1280	0.46	0.39	0.42	974
1281	0.36	0.33	0.34	414
1300	0.61	0.84	0.71	1009
1301	0.64	0.64	0.64	161
1302	0.43	0.43	0.43	498
1320	0.48	0.47	0.47	648
1560	0.61	0.58	0.59	1015
1920	0.80	0.78	0.79	861
1940	0.64	0.76	0.70	161
2060	0.51	0.50	0.50	999
2220	0.33	0.44	0.37	165
2280	0.78	0.78	0.78	952
2403	0.67	0.69	0.68	955
2462	0.52	0.73	0.61	284
2522	0.73	0.68	0.70	998
2582	0.47	0.42	0.45	518
2583	0.89	0.81	0.85	2042
2585	0.50	0.48	0.49	499
2705	0.58	0.77	0.66	552
2905	0.53	0.84	0.65	174
accuracy			0.64	16984
macro avg	0.59	0.61	0.59	16984
weighted avg	0.64	0.64	0.63	16984

Matrice de confusion :

1. La matrice de confusion fournit une représentation visuelle des performances du modèle, montrant non seulement les bonnes classifications mais aussi les erreurs (faux positifs et faux négatifs).
2. En identifiant où le modèle a échoué (c.-à-d., les cellules non-diagonales de la matrice), on peut cibler les améliorations à apporter au modèle ou aux données d'entraînement.
3. Analyser la matrice de confusion permet d'identifier des classes spécifiques qui sont souvent confondues, ce qui peut indiquer un besoin d'ajustement des caractéristiques d'entrée ou d'ajout de données supplémentaires pour ces classes.

confusion_RESNET50

répartition des classes :

10 ------ livres

10, 40.61%, livres

2705, 26.00%, bds et livres

2403, 11.40%, livres et bds

2280, 9.79%, magazines

2522, 2.09%, produits de papeterie et rangement bureau

40 ------ jeux video pour pc et consoles

40, 43.63%, jeux video pour pc et consoles

2905, 10.76%, Jeu En téléchargement

2462, 10.56%, consoles de jeux video et jeux videos

50, 5.98%, accesoires jeux video

1281, 4.18%, jeux de societe/cartes

50 ------ accesoires jeux video

50, 47.02%, accesoires jeux video

1300, 14.29%, Petites voitures (jouets) et maquettes

2462, 5.36%, consoles de jeux video et jeux videos

60, 5.06%, consoles de jeux video

1302, 4.17%, jeux d'exterieur

60 ------ consoles de jeux video

60, 77.11%, consoles de jeux video

50, 6.02%, accesoires jeux video

2462, 3.61%, consoles de jeux video et jeux videos

40, 3.01%, jeux video pour pc et consoles

1300, 3.01%, Petites voitures (jouets) et maquettes

1140 ------ produits derives “geeks” et figurines

1140, 65.17%, produits derives “geeks” et figurines

1280, 7.87%, jouets, peluches, poupees

1180, 4.12%, figurines collectionables pour jeux de societe

1281, 2.62%, jeux de societe/cartes

2060, 2.43%, lampes et accesoires decoration pour maison

1160 ------ cartes collectionables

1160, 95.07%, cartes collectionables

1281, 0.88%, jeux de societe/cartes

2403, 0.63%, livres et bds

2462, 0.63%, consoles de jeux video et jeux videos

1140, 0.51%, produits derives “geeks” et figurines

1180 ------ figurines collectionables pour jeux de societe

1180, 43.79%, figurines collectionables pour jeux de societe

1140, 15.03%, produits derives “geeks” et figurines

1281, 9.15%, jeux de societe/cartes

2060, 3.92%, lampes et accesoires decoration pour maison

1280, 3.92%, jouets, peluches, poupees

1280 ------ jouets, peluches, poupees

1280, 39.01%, jouets, peluches, poupees

1300, 18.28%, Petites voitures (jouets) et maquettes

1140, 7.80%, produits derives “geeks” et figurines

1281, 6.37%, jeux de societe/cartes

1320, 4.52%, sacs pour femmes et accesore petite enfance

1281 ------ jeux de societe/cartes

1281, 33.33%, jeux de societe/cartes

1280, 14.73%, jouets, peluches, poupees

2403, 5.80%, livres et bds

1160, 4.35%, cartes collectionables

2060, 3.86%, lampes et accesoires decoration pour maison

1300 ------ Petites voitures (jouets) et maquettes

1300, 83.55%, Petites voitures (jouets) et maquettes

1280, 5.15%, jouets, peluches, poupees

50, 1.98%, accesoires jeux video

2585, 1.09%, outillage et accesoires pour jardinage

1302, 1.09%, jeux d'exterieur

1301 ------ accesoires pour petits enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1301, 63.98%, accesoires pour petits enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1320, 4.97%, sacs pour femmes et accesore petite enfance

1300, 3.73%, Petites voitures (jouets) et maquettes

1280, 3.73%, jouets, peluches, poupees

2585, 3.73%, outillage et accesoires pour jardinage

1302 ------ jeux d'exterieur

1302, 42.97%, jeux d'exterieur

1280, 11.24%, jouets, peluches, poupees

1300, 6.43%, Petites voitures (jouets) et maquettes

2060, 4.42%, lampes et accesoires decoration pour maison

2583, 4.02%, accesoires de piscine

1320 ------ sacs pour femmes et accesore petite enfance

1320, 46.76%, sacs pour femmes et accesore petite enfance

2060, 7.25%, lampes et accesoires decoration pour maison

1280, 6.94%, jouets, peluches, poupees

1560, 6.64%, Mobilier et produits decoration/rangement pour la maison

1302, 4.63%, jeux d'exterieur

1560 ------ Mobilier et produits decoration/rangement pour la maison

1560, 57.93%, Mobilier et produits decoration/rangement pour la maison

2060, 10.64%, lampes et accesoires decoration pour maison

2582, 7.00%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1920, 4.24%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1320, 3.84%, sacs pour femmes et accesore petite enfance

1920 ------ linge de maison (cousins, rideaux, serviettes, nappes, draps)

1920, 77.58%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

2060, 5.57%, lampes et accesoires decoration pour maison

1560, 5.46%, Mobilier et produits decoration/rangement pour la maison

1320, 3.48%, sacs pour femmes et accesore petite enfance

2582, 1.28%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1940 ------ nouriture (cafes, infusions, conserves, épices, etc.)

1940, 75.78%, nouriture (cafes, infusions, conserves, épices, etc.)

2583, 4.35%, accesoires de piscine

2582, 2.48%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1320, 1.86%, sacs pour femmes et accesore petite enfance

2522, 1.86%, produits de papeterie et rangement bureau

2060 ------ lampes et accesoires decoration pour maison

2060, 49.75%, lampes et accesoires decoration pour maison

1560, 9.81%, Mobilier et produits decoration/rangement pour la maison

1920, 5.61%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

2582, 4.10%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1320, 3.60%, sacs pour femmes et accesore petite enfance

2220 ------ accesoires mascots/pets

2220, 43.64%, accesoires mascots/pets

1280, 9.70%, jouets, peluches, poupees

2060, 7.88%, lampes et accesoires decoration pour maison

1320, 7.27%, sacs pour femmes et accesore petite enfance

1302, 5.45%, jeux d'exterieur

2280 ------ magazines

2280, 77.94%, magazines

2403, 11.97%, livres et bds

2705, 3.36%, bds et livres

10, 2.94%, livres

1160, 0.74%, cartes collectionables

2403 ------ livres et bds

2403, 69.32%, livres et bds

2280, 10.47%, magazines

2462, 4.61%, consoles de jeux video et jeux videos

2705, 3.66%, bds et livres

10, 3.04%, livres

2462 ------ consoles de jeux video et jeux videos

2462, 72.89%, consoles de jeux video et jeux videos

40, 5.63%, jeux video pour pc et consoles

2403, 3.87%, livres et bds

60, 2.82%, consoles de jeux video

50, 2.11%, accesoires jeux video

2522 ------ produits de papeterie et rangement bureau

2522, 67.54%, produits de papeterie et rangement bureau

2060, 3.11%, lampes et accesoires decoration pour maison

2403, 2.81%, livres et bds

2585, 2.61%, outillage et accesoires pour jardinage

1320, 2.20%, sacs pour femmes et accesore petite enfance

2582 ------ mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2582, 42.28%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1560, 14.09%, Mobilier et produits decoration/rangement pour la maison

2060, 10.62%, lampes et accesoires decoration pour maison

1302, 6.18%, jeux d'exterieur

2585, 5.02%, outillage et accesoires pour jardinage

2583 ------ accesoires de piscine

2583, 80.90%, accesoires de piscine

2585, 2.99%, outillage et accesoires pour jardinage

1302, 2.01%, jeux d'exterieur

1320, 2.01%, sacs pour femmes et accesore petite enfance

1300, 1.81%, Petites voitures (jouets) et maquettes

2585 ------ outillage et accesoires pour jardinage

2585, 48.30%, outillage et accesoires pour jardinage

1300, 11.22%, Petites voitures (jouets) et maquettes

2583, 8.02%, accesoires de piscine

2060, 5.41%, lampes et accesoires decoration pour maison

2582, 3.81%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2705 ------ bds et livres

2705, 76.63%, bds et livres

10, 13.95%, livres

2403, 1.99%, livres et bds

2905, 1.99%, Jeu En téléchargement

1140, 1.09%, produits derives “geeks” et figurines

2905 ------ Jeu En téléchargement

2905, 83.91%, Jeu En téléchargement

2705, 5.17%, bds et livres

40, 2.87%, jeux video pour pc et consoles

1300, 1.72%, Petites voitures (jouets) et maquettes

1140, 1.72%, produits derives “geeks” et figurines

VGG19

Configuration de VGG19 pour le transfert learning :

Construction du Modèle Séquentiel :

L'objectif de cette architecture est de tirer parti de l'extraction de caractéristiques avancées de VGG19
et de compléter avec des couches personnalisées qui adaptent ces caractéristiques pour une classification
sur 27 classes.

Régularisation : Les couches de dropout aident à réduire le risque de surapprentissage

model = Sequential()

model.add(base_model) # Ajout du modèle VGG19

model.add(Flatten())

model.add(Dropout(0.5))

model.add(Dense(1024, activation='relu'))

model.add(BatchNormalization())

model.add(Dense(512, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(27, activation='softmax'))

Rapport d'entraînement

Epoch 1/20
2335/2335 [==============================] - 1488s 636ms/step - loss: 2.8799 - accuracy: 0.2577 - val_loss: 1.8362 - val_accuracy: 0.4851 - lr: 1.0000e-05

Epoch 2/20
2335/2335 [==============================] - 1501s 643ms/step - loss: 2.2403 - accuracy: 0.3873 - val_loss: 1.6970 - val_accuracy: 0.5205 - lr: 1.0000e-05

Epoch 3/20
2335/2335 [==============================] - 1513s 648ms/step - loss: 2.0156 - accuracy: 0.4359 - val_loss: 1.6227 - val_accuracy: 0.5376 - lr: 1.0000e-05

Epoch 4/20
2335/2335 [==============================] - 1493s 639ms/step - loss: 1.8625 - accuracy: 0.4713 - val_loss: 1.5444 - val_accuracy: 0.5532 - lr: 1.0000e-05

Epoch 5/20
2335/2335 [==============================] - 1476s 632ms/step - loss: 1.7596 - accuracy: 0.4959 - val_loss: 1.5095 - val_accuracy: 0.5650 - lr: 1.0000e-05

Epoch 6/20
2335/2335 [==============================] - 1476s 632ms/step - loss: 1.6743 - accuracy: 0.5145 - val_loss: 1.4811 - val_accuracy: 0.5688 - lr: 1.0000e-05

Epoch 7/20
2335/2335 [==============================] - 1476s 632ms/step - loss: 1.6009 - accuracy: 0.5322 - val_loss: 1.4587 - val_accuracy: 0.5772 - lr: 1.0000e-05

Epoch 8/20
2335/2335 [==============================] - 1478s 633ms/step - loss: 1.5398 - accuracy: 0.5501 - val_loss: 1.4275 - val_accuracy: 0.5852 - lr: 1.0000e-05

Epoch 9/20
2335/2335 [==============================] - 1527s 654ms/step - loss: 1.4848 - accuracy: 0.5618 - val_loss: 1.3866 - val_accuracy: 0.5919 - lr: 1.0000e-05

Epoch 10/20
2335/2335 [==============================] - 1477s 633ms/step - loss: 1.4375 - accuracy: 0.5744 - val_loss: 1.4095 - val_accuracy: 0.5872 - lr: 1.0000e-05

Epoch 11/20
2335/2335 [==============================] - 1477s 633ms/step - loss: 1.3928 - accuracy: 0.5849 - val_loss: 1.3786 - val_accuracy: 0.5959 - lr: 1.0000e-05

Epoch 12/20
2335/2335 [==============================] - 1483s 635ms/step - loss: 1.3489 - accuracy: 0.5960 - val_loss: 1.3631 - val_accuracy: 0.6034 - lr: 1.0000e-05

Epoch 13/20
2335/2335 [==============================] - 1523s 652ms/step - loss: 1.3082 - accuracy: 0.6091 - val_loss: 1.3617 - val_accuracy: 0.6036 - lr: 1.0000e-05

Epoch 14/20
2335/2335 [==============================] - 1478s 633ms/step - loss: 1.2796 - accuracy: 0.6156 - val_loss: 1.3542 - val_accuracy: 0.6044 - lr: 1.0000e-05

Epoch 15/20
2335/2335 [==============================] - 1477s 632ms/step - loss: 1.2499 - accuracy: 0.6216 - val_loss: 1.3155 - val_accuracy: 0.6161 - lr: 1.0000e-05

Epoch 16/20
2335/2335 [==============================] - 1477s 632ms/step - loss: 1.2108 - accuracy: 0.6337 - val_loss: 1.3109 - val_accuracy: 0.6178 - lr: 1.0000e-05

Epoch 17/20
2335/2335 [==============================] - 1477s 633ms/step - loss: 1.1848 - accuracy: 0.6410 - val_loss: 1.3352 - val_accuracy: 0.6134 - lr: 1.0000e-05

Epoch 18/20
2335/2335 [==============================] - 1477s 633ms/step - loss: 1.1550 - accuracy: 0.6471 - val_loss: 1.3069 - val_accuracy: 0.6222 - lr: 1.0000e-05

Epoch 19/20
2335/2335 [==============================] - 1480s 634ms/step - loss: 1.1279 - accuracy: 0.6551 - val_loss: 1.2997 - val_accuracy: 0.6221 - lr: 1.0000e-05

Epoch 20/20
2335/2335 [==============================] - 1480s 634ms/step - loss: 1.0998 - accuracy: 0.6645 - val_loss: 1.3055 - val_accuracy: 0.6216 - lr: 1.0000e-05

precisions et pertes par époque :

val_accuracy: 0.6188

Resultats VGG19

Rapport de classification :

Ce rapport inclut des métriques comme la précision, le rappel (recall), le score F1 et le support pour chaque classe individuelle :

Précision (Precision) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs prédit (Vrai Positif + Faux Positif)
Rappel (Recall) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs (Vrai Positif + Faux Négatif)
Score F1 : La moyenne harmonique de la précision et du rappel, fournissant une évaluation relativement correct de la performance de notre modèle
Support : Le nombre d'occurrences réelles de chaque classe dans l'ensemble de test.

Précision de la Prédiction: 62.15850211964201 %

Évaluation détaillée de la Classification par RDF :

Classe	Précision	Rappel	F1-Score	Support
10	0.55	0.49	0.52	623
40	0.62	0.49	0.55	502
50	0.40	0.36	0.38	336
60	0.59	0.81	0.68	166
1140	0.59	0.63	0.61	534
1160	0.88	0.92	0.90	791
1180	0.42	0.48	0.45	153
1280	0.51	0.37	0.43	974
1281	0.40	0.26	0.32	414
1300	0.57	0.82	0.67	1009
1301	0.51	0.65	0.57	161
1302	0.44	0.35	0.39	498
1320	0.53	0.43	0.47	648
1560	0.61	0.58	0.59	1015
1920	0.82	0.79	0.80	861
1940	0.49	0.78	0.60	161
2060	0.52	0.50	0.51	999
2220	0.32	0.49	0.39	165
2280	0.79	0.74	0.77	952
2403	0.72	0.59	0.65	955
2462	0.40	0.72	0.51	284
2522	0.66	0.66	0.66	998
2582	0.57	0.37	0.45	518
2583	0.82	0.82	0.82	2042
2585	0.45	0.40	0.42	499
2705	0.59	0.78	0.67	552
2905	0.41	0.91	0.57	174
accuracy			0.62	16984
macro avg	0.56	0.60	0.57	16984
weighted avg	0.63	0.62	0.62	16984

Matrice de confusion :

1. La matrice de confusion fournit une représentation visuelle des performances du modèle, montrant non seulement les bonnes classifications mais aussi les erreurs (faux positifs et faux négatifs).
2. En identifiant où le modèle a échoué (c.-à-d., les cellules non-diagonales de la matrice), on peut cibler les améliorations à apporter au modèle ou aux données d'entraînement.
3. Analyser la matrice de confusion permet d'identifier des classes spécifiques qui sont souvent confondues, ce qui peut indiquer un besoin d'ajustement des caractéristiques d'entrée ou d'ajout de données supplémentaires pour ces classes.

confusion_VGG19

répartition des classes :

10 ------ livres

10, 49.44%, livres

2705, 24.08%, bds et livres

2280, 8.19%, magazines

2403, 7.06%, livres et bds

40, 2.89%, jeux video pour pc et consoles

40 ------ jeux video pour pc et consoles

40, 49.40%, jeux video pour pc et consoles

2905, 13.94%, Jeu En téléchargement

2462, 8.37%, consoles de jeux video et jeux videos

1300, 5.18%, Petites voitures (jouets) et maquettes

50, 4.38%, accesoires jeux video

50 ------ accesoires jeux video

50, 35.71%, accesoires jeux video

1300, 13.10%, Petites voitures (jouets) et maquettes

60, 9.52%, consoles de jeux video

2462, 7.14%, consoles de jeux video et jeux videos

2585, 4.76%, outillage et accesoires pour jardinage

60 ------ consoles de jeux video

60, 80.72%, consoles de jeux video

50, 4.82%, accesoires jeux video

2462, 4.82%, consoles de jeux video et jeux videos

2522, 2.41%, produits de papeterie et rangement bureau

1281, 1.81%, jeux de societe/cartes

1140 ------ produits derives “geeks” et figurines

1140, 63.48%, produits derives “geeks” et figurines

1280, 6.74%, jouets, peluches, poupees

1180, 4.49%, figurines collectionables pour jeux de societe

2462, 3.75%, consoles de jeux video et jeux videos

1300, 3.00%, Petites voitures (jouets) et maquettes

1160 ------ cartes collectionables

1160, 91.91%, cartes collectionables

2462, 2.15%, consoles de jeux video et jeux videos

40, 1.52%, jeux video pour pc et consoles

2705, 0.51%, bds et livres

1140, 0.51%, produits derives “geeks” et figurines

1180 ------ figurines collectionables pour jeux de societe

1180, 47.71%, figurines collectionables pour jeux de societe

1140, 7.84%, produits derives “geeks” et figurines

1281, 5.88%, jeux de societe/cartes

1280, 4.58%, jouets, peluches, poupees

2905, 3.27%, Jeu En téléchargement

1280 ------ jouets, peluches, poupees

1280, 37.47%, jouets, peluches, poupees

1300, 19.61%, Petites voitures (jouets) et maquettes

1140, 8.62%, produits derives “geeks” et figurines

1302, 3.90%, jeux d'exterieur

1281, 3.70%, jeux de societe/cartes

1281 ------ jeux de societe/cartes

1281, 26.09%, jeux de societe/cartes

1280, 13.29%, jouets, peluches, poupees

2462, 8.70%, consoles de jeux video et jeux videos

2403, 6.04%, livres et bds

1180, 4.83%, figurines collectionables pour jeux de societe

1300 ------ Petites voitures (jouets) et maquettes

1300, 81.96%, Petites voitures (jouets) et maquettes

50, 2.78%, accesoires jeux video

2583, 2.78%, accesoires de piscine

1280, 2.58%, jouets, peluches, poupees

2585, 1.78%, outillage et accesoires pour jardinage

1301 ------ accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1301, 64.60%, accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

2522, 4.97%, produits de papeterie et rangement bureau

2583, 3.73%, accesoires de piscine

1280, 3.73%, jouets, peluches, poupees

2060, 3.73%, lampes et accesoires decoration pour maison

1302 ------ jeux d'exterieur

1302, 35.34%, jeux d'exterieur

1280, 12.45%, jouets, peluches, poupees

1300, 8.84%, Petites voitures (jouets) et maquettes

1320, 6.63%, sacs pour femmes et accesore petite enfance

2583, 4.62%, accesoires de piscine

1320 ------ sacs pour femmes et accesore petite enfance

1320, 42.75%, sacs pour femmes et accesore petite enfance

1560, 7.41%, Mobilier et produits decoration/rangement pour la maison

2060, 7.10%, lampes et accesoires decoration pour maison

1280, 5.71%, jouets, peluches, poupees

2522, 4.78%, produits de papeterie et rangement bureau

1560 ------ Mobilier et produits decoration/rangement pour la maison

1560, 58.42%, Mobilier et produits decoration/rangement pour la maison

2060, 9.66%, lampes et accesoires decoration pour maison

2582, 4.73%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2522, 3.94%, produits de papeterie et rangement bureau

1920, 3.94%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1920 ------ linge de maison (cousins, rideaux, serviettes, nappes, draps)

1920, 79.09%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1560, 6.04%, Mobilier et produits decoration/rangement pour la maison

2060, 3.60%, lampes et accesoires decoration pour maison

1320, 1.63%, sacs pour femmes et accesore petite enfance

2522, 1.28%, produits de papeterie et rangement bureau

1940 ------ nouriture (cafes,infusions,conserves, epices,etc)

1940, 78.26%, nouriture (cafes,infusions,conserves, epices,etc)

2060, 3.11%, lampes et accesoires decoration pour maison

1301, 2.48%, accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1560, 1.86%, Mobilier et produits decoration/rangement pour la maison

2583, 1.86%, accesoires de piscine

2060 ------ lampes et accesoires decoration pour maison

2060, 49.85%, lampes et accesoires decoration pour maison

1560, 7.31%, Mobilier et produits decoration/rangement pour la maison

1920, 5.61%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1300, 4.90%, Petites voitures (jouets) et maquettes

2583, 4.80%, accesoires de piscine

2220 ------ accesoires mascots/pets

2220, 49.09%, accesoires mascots/pets

2060, 9.09%, lampes et accesoires decoration pour maison

1280, 6.67%, jouets, peluches, poupees

1320, 6.06%, sacs pour femmes et accesore petite enfance

1940, 3.64%, nouriture (cafes,infusions,conserves, epices,etc)

2280 ------ magazines

2280, 74.05%, magazines

10, 7.14%, livres

2403, 5.99%, livres et bds

2705, 5.04%, bds et livres

40, 1.79%, jeux video pour pc et consoles

2403 ------ livres et bds

2403, 58.85%, livres et bds

2280, 10.26%, magazines

10, 8.48%, livres

2462, 7.64%, consoles de jeux video et jeux videos

2705, 4.29%, bds et livres

2462 ------ consoles de jeux video et jeux videos

2462, 72.18%, consoles de jeux video et jeux videos

40, 8.45%, jeux video pour pc et consoles

2905, 4.58%, Jeu En téléchargement

2403, 3.52%, livres et bds

1140, 2.46%, produits derives “geeks” et figurines

2522 ------ produits de papeterie et rangement bureau

2522, 65.73%, produits de papeterie et rangement bureau

2583, 3.91%, accesoires de piscine

2403, 3.21%, livres et bds

1560, 2.71%, Mobilier et produits decoration/rangement pour la maison

1300, 2.51%, Petites voitures (jouets) et maquettes

2582 ------ mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2582, 37.26%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1560, 15.06%, Mobilier et produits decoration/rangement pour la maison

2060, 11.20%, lampes et accesoires decoration pour maison

2583, 7.34%, accesoires de piscine

2585, 4.63%, outillage et accesoires pour jardinage

2583 ------ accesoires de piscine

2583, 81.54%, accesoires de piscine

1302, 2.45%, jeux d'exterieur

1300, 2.06%, Petites voitures (jouets) et maquettes

2585, 2.01%, outillage et accesoires pour jardinage

2522, 1.76%, produits de papeterie et rangement bureau

2585 ------ outillage et accesoires pour jardinage

2585, 39.88%, outillage et accesoires pour jardinage

1300, 14.83%, Petites voitures (jouets) et maquettes

2583, 12.02%, accesoires de piscine

2060, 7.41%, lampes et accesoires decoration pour maison

2522, 4.01%, produits de papeterie et rangement bureau

2705 ------ bds et livres

2705, 77.72%, bds et livres

10, 10.14%, livres

2905, 4.35%, Jeu En téléchargement

40, 1.27%, jeux video pour pc et consoles

2403, 1.27%, livres et bds

2905 ------ Jeu En téléchargement

2905, 90.80%, Jeu En téléchargement

2705, 2.87%, bds et livres

40, 2.87%, jeux video pour pc et consoles

1940, 0.57%, nouriture (cafes,infusions,conserves, epices,etc)

2583, 0.57%, accesoires de piscine

Xception

Configuration de Xception pour le transfert learning :

Construction du Modèle Séquentiel :

L'objectif de cette architecture est de tirer parti de l'extraction de caractéristiques avancées de Xception
et de compléter avec des couches personnalisées qui adaptent ces caractéristiques pour une classification
sur 27 classes.

Régularisation : Les couches de dropout aident à réduire le risque de surapprentissage

model = Sequential()

model.add(base_model) # Ajout du modèle Xception

model.add(Flatten())

model.add(Dropout(0.5))

model.add(Dense(1024, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(27, activation='softmax'))

Rapport d'entraînement

Epoch 1/20
9340/9340 [==============================] - 4504s 482ms/step - loss: 1.9351 - accuracy: 0.4469 - val_loss: 1.4081 - val_accuracy: 0.5864 - lr: 1.0000e-05

Epoch 2/20
9340/9340 [==============================] - 4568s 489ms/step - loss: 1.4469 - accuracy: 0.5741 - val_loss: 1.3163 - val_accuracy: 0.6123 - lr: 1.0000e-05

Epoch 3/20
9340/9340 [==============================] - 5220s 559ms/step - loss: 1.2245 - accuracy: 0.6318 - val_loss: 1.2976 - val_accuracy: 0.6281 - lr: 1.0000e-05

Epoch 4/20
9340/9340 [==============================] - 6251s 669ms/step - loss: 1.0723 - accuracy: 0.6749 - val_loss: 1.2827 - val_accuracy: 0.6369 - lr: 1.0000e-05

Epoch 5/20
9340/9340 [==============================] - 6249s 669ms/step - loss: 0.9447 - accuracy: 0.7081 - val_loss: 1.2932 - val_accuracy: 0.6431 - lr: 1.0000e-05

Epoch 6/20
9340/9340 [==============================] - 6220s 666ms/step - loss: 0.8361 - accuracy: 0.7371 - val_loss: 1.3068 - val_accuracy: 0.6481 - lr: 1.0000e-05

Epoch 7/20
9340/9340 [==============================] - 6220s 666ms/step - loss: 0.7474 - accuracy: 0.7640 - val_loss: 1.3510 - val_accuracy: 0.6480 - lr: 1.0000e-05

Epoch 8/20
9340/9340 [==============================] - ETA: 0s - loss: 0.6723 - accuracy: 0.7866
Epoch 8: ReduceLROnPlateau reducing learning rate to 4.999999873689376e-06.
9340/9340 [==============================] - 6219s 666ms/step - loss: 0.6723 - accuracy: 0.7866 - val_loss: 1.3910 - val_accuracy: 0.6510 - lr: 1.0000e-05

Epoch 9/20
9340/9340 [==============================] - 6294s 674ms/step - loss: 0.5548 - accuracy: 0.8212 - val_loss: 1.4379 - val_accuracy: 0.6490 - lr: 5.0000e-06

Epoch 10/20
9340/9340 [==============================] - 6219s 666ms/step - loss: 0.5041 - accuracy: 0.8370 - val_loss: 1.4879 - val_accuracy: 0.6559 - lr: 5.0000e-06

Epoch 11/20
9340/9340 [==============================] - 6216s 665ms/step - loss: 0.4549 - accuracy: 0.8521 - val_loss: 1.5217 - val_accuracy: 0.6515 - lr: 5.0000e-06

Epoch 12/20
9340/9340 [==============================] - ETA: 0s - loss: 0.4141 - accuracy: 0.8655
Epoch 12: ReduceLROnPlateau reducing learning rate to 2.499999936844688e-06.
9340/9340 [==============================] - 6296s 674ms/step - loss: 0.4141 - accuracy: 0.8655 - val_loss: 1.6217 - val_accuracy: 0.6521 - lr: 5.0000e-06

Epoch 13/20
9340/9340 [==============================] - 6308s 675ms/step - loss: 0.3673 - accuracy: 0.8791 - val_loss: 1.6114 - val_accuracy: 0.6530 - lr: 2.5000e-06

Epoch 14/20
9340/9340 [==============================] - 6282s 673ms/step - loss: 0.3392 - accuracy: 0.8883 - val_loss: 1.6686 - val_accuracy: 0.6546 - lr: 2.5000e-06

Epoch 15/20
9340/9340 [==============================] - 6287s 673ms/step - loss: 0.3172 - accuracy: 0.8971 - val_loss: 1.7042 - val_accuracy: 0.6526 - lr: 2.5000e-06

Epoch 16/20
9340/9340 [==============================] - ETA: 0s - loss: 0.3035 - accuracy: 0.9004
Epoch 16: ReduceLROnPlateau reducing learning rate to 1.249999968422344e-06.
9340/9340 [==============================] - 6225s 666ms/step - loss: 0.3035 - accuracy: 0.9004 - val_loss: 1.6869 - val_accuracy: 0.6566 - lr: 2.5000e-06

Epoch 17/20
9340/9340 [==============================] - 6217s 666ms/step - loss: 0.2798 - accuracy: 0.9087 - val_loss: 1.7210 - val_accuracy: 0.6562 - lr: 1.2500e-06

Epoch 18/20
9340/9340 [==============================] - 6217s 666ms/step - loss: 0.2671 - accuracy: 0.9117 - val_loss: 1.7432 - val_accuracy: 0.6551 - lr: 1.2500e-06

Epoch 19/20
9340/9340 [==============================] - 6215s 665ms/step - loss: 0.2632 - accuracy: 0.9134 - val_loss: 1.7458 - val_accuracy: 0.6574 - lr: 1.2500e-06

Epoch 20/20
9340/9340 [==============================] - ETA: 0s - loss: 0.2520 - accuracy: 0.9160
Epoch 20: ReduceLROnPlateau reducing learning rate to 6.24999984211172e-07.
9340/9340 [==============================] - 6216s 666ms/step - loss: 0.2520 - accuracy: 0.9160 - val_loss: 1.7596 - val_accuracy: 0.6566 - lr: 1.2500e-06

precisions et pertes par époque :

val_accuracy: 0.6592

Resultats Xception

Rapport de classification :

Ce rapport inclut des métriques comme la précision, le rappel (recall), le score F1 et le support pour chaque classe individuelle :

Précision (Precision) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs prédit (Vrai Positif + Faux Positif)
Rappel (Recall) : le nombre de positifs bien prédit (Vrai Positif) divisé par l’ensemble des positifs (Vrai Positif + Faux Négatif)
Score F1 : La moyenne harmonique de la précision et du rappel, fournissant une évaluation relativement correct de la performance de notre modèle
Support : Le nombre d'occurrences réelles de chaque classe dans l'ensemble de test.

Précision de la Prédiction: 65.66179934055582 %

Évaluation détaillée de la Classification par RDF :

Classe	Précision	Rappel	F1-Score	Support
10	0.45	0.44	0.44	623
40	0.70	0.46	0.56	502
50	0.47	0.55	0.51	336
60	0.73	0.80	0.77	166
1140	0.63	0.65	0.64	534
1160	0.93	0.94	0.93	791
1180	0.46	0.52	0.49	153
1280	0.51	0.42	0.46	974
1281	0.42	0.37	0.39	414
1300	0.69	0.81	0.75	1009
1301	0.62	0.70	0.66	161
1302	0.51	0.51	0.51	498
1320	0.51	0.53	0.52	648
1560	0.65	0.58	0.61	1015
1920	0.85	0.81	0.83	861
1940	0.66	0.77	0.71	161
2060	0.56	0.53	0.55	999
2220	0.49	0.53	0.51	165
2280	0.75	0.80	0.77	952
2403	0.70	0.69	0.69	955
2462	0.57	0.73	0.64	284
2522	0.70	0.72	0.71	998
2582	0.45	0.42	0.44	518
2583	0.87	0.86	0.86	2042
2585	0.53	0.52	0.52	499
2705	0.56	0.57	0.56	552
2905	0.52	0.90	0.66	174
accuracy			0.66	16984
macro avg	0.61	0.63	0.62	16984
weighted avg	0.66	0.66	0.65	16984

Matrice de confusion :

1. La matrice de confusion fournit une représentation visuelle des performances du modèle, montrant non seulement les bonnes classifications mais aussi les erreurs (faux positifs et faux négatifs).
2. En identifiant où le modèle a échoué (c.-à-d., les cellules non-diagonales de la matrice), on peut cibler les améliorations à apporter au modèle ou aux données d'entraînement.
3. Analyser la matrice de confusion permet d'identifier des classes spécifiques qui sont souvent confondues, ce qui peut indiquer un besoin d'ajustement des caractéristiques d'entrée ou d'ajout de données supplémentaires pour ces classes.

confusion_Xception

répartition des classes :

10 ------ livres

10, 43.66%, livres

2705, 23.11%, bds et livres

2280, 12.68%, magazines

2403, 9.15%, livres et bds

2905, 2.25%, Jeu En téléchargement

40 ------ jeux video pour pc et consoles

40, 46.22%, jeux video pour pc et consoles

2905, 13.15%, Jeu En téléchargement

2462, 8.37%, consoles de jeux video et jeux videos

50, 5.18%, accesoires jeux video

1300, 3.59%, Petites voitures (jouets) et maquettes

50 ------ accesoires jeux video

50, 55.36%, accesoires jeux video

1300, 8.04%, Petites voitures (jouets) et maquettes

2462, 5.36%, consoles de jeux video et jeux videos

60, 4.76%, consoles de jeux video

2522, 3.87%, produits de papeterie et rangement bureau

60 ------ consoles de jeux video

60, 80.12%, consoles de jeux video

50, 7.23%, accesoires jeux video

2462, 5.42%, consoles de jeux video et jeux videos

1280, 2.41%, jouets, peluches, poupees

40, 1.20%, jeux video pour pc et consoles

1140 ------ produits derives “geeks” et figurines

1140, 64.61%, produits derives “geeks” et figurines

1280, 8.24%, jouets, peluches, poupees

1180, 5.99%, figurines collectionables pour jeux de societe

1300, 2.43%, Petites voitures (jouets) et maquettes

1281, 2.25%, jeux de societe/cartes

1160 ------ cartes collectionables

1160, 93.68%, cartes collectionables

2462, 1.26%, consoles de jeux video et jeux videos

2280, 1.26%, magazines

2403, 1.01%, livres et bds

1281, 0.63%, jeux de societe/cartes

1180 ------ figurines collectionables pour jeux de societe

1180, 51.63%, figurines collectionables pour jeux de societe

1140, 7.19%, produits derives “geeks” et figurines

1281, 6.54%, jeux de societe/cartes

1280, 5.23%, jouets, peluches, poupees

2403, 3.92%, livres et bds

1280 ------ jouets, peluches, poupees

1280, 41.79%, jouets, peluches, poupees

1300, 16.12%, Petites voitures (jouets) et maquettes

1140, 7.80%, produits derives “geeks” et figurines

1281, 6.26%, jeux de societe/cartes

1320, 4.62%, sacs pour femmes et accesore petite enfance

1281 ------ jeux de societe/cartes

1281, 36.96%, jeux de societe/cartes

1280, 14.73%, jouets, peluches, poupees

2403, 5.56%, livres et bds

1160, 4.59%, cartes collectionables

2060, 3.38%, lampes et accesoires decoration pour maison

1300 ------ Petites voitures (jouets) et maquettes

1300, 81.07%, Petites voitures (jouets) et maquettes

1280, 6.54%, jouets, peluches, poupees

50, 2.48%, accesoires jeux video

2585, 1.98%, outillage et accesoires pour jardinage

2583, 0.99%, accesoires de piscine

1301 ------ accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1301, 70.19%, accesoires pour petis enfants/bebes et mobilier de jeu (flechettes, billard, babyfoot)

1280, 4.97%, jouets, peluches, poupees

2522, 4.35%, produits de papeterie et rangement bureau

1320, 4.35%, sacs pour femmes et accesore petite enfance

2583, 3.73%, accesoires de piscine

1302 ------ jeux d'exterieur

1302, 51.00%, jeux d'exterieur

1280, 7.43%, jouets, peluches, poupees

1320, 5.22%, sacs pour femmes et accesore petite enfance

2060, 3.82%, lampes et accesoires decoration pour maison

2583, 3.41%, accesoires de piscine

1320 ------ sacs pour femmes et accesore petite enfance

1320, 52.93%, sacs pour femmes et accesore petite enfance

2060, 6.02%, lampes et accesoires decoration pour maison

1560, 5.86%, Mobilier et produits decoration/rangement pour la maison

1280, 5.40%, jouets, peluches, poupees

2583, 4.94%, accesoires de piscine

1560 ------ Mobilier et produits decoration/rangement pour la maison

1560, 57.64%, Mobilier et produits decoration/rangement pour la maison

2582, 9.56%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2060, 9.16%, lampes et accesoires decoration pour maison

1320, 5.02%, sacs pour femmes et accesore petite enfance

2522, 3.25%, produits de papeterie et rangement bureau

1920 ------ linge de maison (cousins, rideaux, serviettes, nappes, draps)

1920, 81.18%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

2060, 6.39%, lampes et accesoires decoration pour maison

1560, 3.72%, Mobilier et produits decoration/rangement pour la maison

1320, 2.21%, sacs pour femmes et accesore petite enfance

2582, 1.16%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1940 ------ nouriture (cafes,infusions,conserves, epices,etc)

1940, 77.02%, nouriture (cafes,infusions,conserves, epices,etc)

1320, 4.35%, sacs pour femmes et accesore petite enfance

2522, 3.73%, produits de papeterie et rangement bureau

2583, 3.11%, accesoires de piscine

1280, 1.86%, jouets, peluches, poupees

2060 ------ lampes et accesoires decoration pour maison

2060, 53.15%, lampes et accesoires decoration pour maison

1560, 8.21%, Mobilier et produits decoration/rangement pour la maison

2582, 4.60%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1920, 4.40%, linge de maison (cousins, rideaux, serviettes, nappes, draps)

1320, 4.20%, sacs pour femmes et accesore petite enfance

2220 ------ accesoires mascots/pets

2220, 52.73%, accesoires mascots/pets

1320, 8.48%, sacs pour femmes et accesore petite enfance

2060, 7.27%, lampes et accesoires decoration pour maison

1280, 5.45%, jouets, peluches, poupees

2583, 4.24%, accesoires de piscine

2280 ------ magazines

2280, 80.36%, magazines

2403, 8.82%, livres et bds

10, 3.99%, livres

2705, 3.26%, bds et livres

2522, 0.63%, produits de papeterie et rangement bureau

2403 ------ livres et bds

2403, 68.59%, livres et bds

2280, 12.15%, magazines

10, 5.86%, livres

2462, 3.14%, consoles de jeux video et jeux videos

2705, 3.04%, bds et livres

2462 ------ consoles de jeux video et jeux videos

2462, 72.89%, consoles de jeux video et jeux videos

40, 8.10%, jeux video pour pc et consoles

2403, 3.17%, livres et bds

50, 2.82%, accesoires jeux video

2905, 2.11%, Jeu En téléchargement

2522 ------ produits de papeterie et rangement bureau

2522, 71.84%, produits de papeterie et rangement bureau

2583, 2.91%, accesoires de piscine

2403, 2.81%, livres et bds

2585, 2.20%, outillage et accesoires pour jardinage

1560, 1.90%, Mobilier et produits decoration/rangement pour la maison

2582 ------ mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2582, 42.47%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

1560, 13.51%, Mobilier et produits decoration/rangement pour la maison

2060, 9.27%, lampes et accesoires decoration pour maison

2585, 6.76%, outillage et accesoires pour jardinage

2583, 5.60%, accesoires de piscine

2583 ------ accesoires de piscine

2583, 86.24%, accesoires de piscine

2585, 2.35%, outillage et accesoires pour jardinage

1320, 1.57%, sacs pour femmes et accesore petite enfance

1302, 1.47%, jeux d'exterieur

2522, 1.42%, produits de papeterie et rangement bureau

2585 ------ outillage et accesoires pour jardinage

2585, 51.50%, outillage et accesoires pour jardinage

2583, 8.82%, accesoires de piscine

1300, 7.41%, Petites voitures (jouets) et maquettes

2582, 6.21%, mobilier d'exterieur et accesoires (parasols,pots,tentes,etc)

2060, 4.61%, lampes et accesoires decoration pour maison

2705 ------ bds et livres

2705, 56.52%, bds et livres

10, 33.33%, livres

2403, 3.08%, livres et bds

2905, 2.36%, Jeu En téléchargement

2280, 2.17%, magazines

2905 ------ Jeu En téléchargement

2905, 89.66%, Jeu En téléchargement

2705, 2.87%, bds et livres

40, 2.30%, jeux video pour pc et consoles

1300, 1.15%, Petites voitures (jouets) et maquettes

2060, 0.57%, lampes et accesoires decoration pour maison