Los mapas auto organizativos, o redes de Kohonen, son utilizados en una plétora de aplicaciones en cada ámbito del Minado de Datos, como la predicción de respuestas de clientes, visualizar tendencias de compras, visualizar clusters, producir reglas de asociación etc. Dado que en general, las RNA son poco vistos, y en general poco entendidos, se quiso implementar esta tecnología para mostrar su emergencia en el mundo del Minado de Datos [25].
El primer paso para proveer esta funcionalidad, es la creación de un motor adecuado para el procesamiento de datos de entrada. Para tal efecto se procedió a programar un modulo de SOM que se encargue de la creación de una red de dimensiones especificadas, y la siguiente carga de datos.
Existirán varios parámetros que podrán ser modificados antes de la creación de la red, tales como:
Como se menciono anteriormente, las diferentes maneras de expresar a la vecindad entre neuronas, dan lugar a distintas topologías. Con una distinta topología, una red auto organizativa, se entrena de distinta manera, ya que el entrenamiento se basa en que cuando un patrón de entrada es asociado a la neurona con mas semejanza a si mismo, se modifican los valores de las neuronas vecinas. A continuación, enumeré las topologías utilizadas en el motor de SOM propuesto.
Tal topología dicta que solo los vecinos físicamente adyacentes son vecinos. Esto se puede ver en la ilustración 14.
Tal topología dicta que las neuronas que se encuentran en la parte superior de la red, tienen como vecinos a las neuronas en la parte inferior de la red. Se visualiza en la ilustración 15
Esta topología es parecida a la topología plana, pero con el único agregado, de que se unen los extremos abiertos, y es esto que da lugar a la apariencia toroidal. Las neuronas que están en la parte superior de una red plana, tienen como vecinos a las neuronas inferiores y laterales. Se ejemplifica, a continuación, en la ilustración 16.
Para variar el tipo de entrenamiento, se puede especificar el tipo de función Beta que se utiliza para ponderar el valor de las neuronas vecinas, una vez encontrada la neurona con mejor calce al valor de entrenamiento. Dependiendo del valor del parámetro Beta, se elige la función. Beta varía entre las siguientes funciones:
|
|
Valor de Función Beta |
|
|
No Ciclo |
|
|
10000 |
|
3 |
Ciclos I = (0.08 + 0.5*No Ciclo) S = (0.32 – radio*7.06)*Tiempo + radio*7.06
2*S2
Beta = I * E |
|
|
Beta = 0.9*(1 – No Ciclo)
|
Lo primordial en el módulo de mapas auto organizativos, es la enseñanza de la red especificada, por un archivo de patrones de entrenamiento. El procedimiento para efectuar esto se enumera a continuación. Principalmente se procede con la creación de la red, usando los parámetros específicos para su creación. La red tendrá la siguiente forma.
Al cargar un archivo de entrenamiento, el módulo se encarga de extraer los valores correspondientes, y modificar los pesos correspondientes de la red. Como en cualquier entrenamiento de una red de kohonen, se busca el elemento (en este caso se buscan vectores) más parecido al de entrada. En el momento de encontrar el elemento de mejor calce, se procede a modificar los vectores aledaños para así entrenar a la red de la manera esperada [26].
En un principio se tiene una red formalmente inicializada con valores azarosos. Tal red es alimentada un conjunto de datos para así producir el efecto mostrado en la ilustración 18.
En un principio se encuentra el primer calce. Al ponderar los vecinos de una neurona (o vector de tales) se produce un efecto como el detallado en la siguiente ilustración.
El algoritmo utilizado para entrenar a la red es el típico utilizado para entrenamientos no supervisados de Mapas auto organizativos. El algoritmo se detallará a continuación
Le red es principalmente una matriz de vectores. Los vectores son de largo ninput, y la matriz es de tamaño noutputXnoutput. Se Inicializa la red dándole a cada elemento, de cada vector, un valor azaroso. Es importante notar que el valor de cada vector es normalizado.
Cuando la red haya sido inicializada, se comienza con el entrenamiento. Se hace de la siguiente manera.
Se leen 2 vectores de entrada
a : de tamaño ninput
R : de tamaño 2*ninput
R es un vector que tiene su vector de entrada espejado.
Se lee de esta manera hasta llegar al final del archivo. Para cada par de vectores leído, se hace:
- Calculo de distancia mínima
- Ajuste de Peso correspondiente
Esto concluye con la etapa de entrenamiento. Posteriormente se realiza un procedimiento muy parecido para la elección de los centroides.
Se posiciona el archivo, una vez más, al principio.
Se leen 2 vectores de entrada, de la misma manera que se hizo en el entrenamiento.
Se lee de esta manera hasta llegar al final del archivo. Para cada par de vectores leído, se hace:
- Calculo de distancia mínima
- Se modifica la neurona correspondiente (centroide)
De esta manera se selecciona a los centroides finales de la red.
Copyright Nelson Flores 2001™.
Departamento de Ciencias de la Computacion, Universidad de Chile.