Microsoft power point curso-2006_sesion2_kohonen
1 recomendación619 vistas
Este documento describe los mapas autoorganizados o mapas de Kohonen. Estos mapas son una herramienta para visualizar datos de alta dimensionalidad reduciendo las dimensiones y mostrando similitudes entre los datos. Los mapas autoorganizados han empezado a ser de gran interés para el análisis de datos debido a su capacidad de manejar grandes conjuntos de datos y aislar patrones y estructuras.
![Utilizando la ayuda gráfica
Leer los datos de nuestro archivo
>> sD = som_read_data (‘iris.data');
Normalizar
>> sD = som_normalize(sD,'var');
Lanzar la aplicación ajustar parámetros y entrenar
>> som_gui([sD])
Calcular los labels
>> sM = som_autolabel(sM,sD,'vote');
Visualizar el mapa (U-Matrix) y los planos que lo componen
>> som_show(sM,'umat','all','comp',1:4,'empty','Labels','norm','d');
Colocar los labels
>>som_show_add('label',sM,'subplot',6);
Herramientas/ SOMToolbox](https://image.slidesharecdn.com/microsoftpowerpoint-curso2006sesion2kohonen-131112175320-phpapp02/85/Microsoft-power-point-curso-2006_sesion2_kohonen-36-320.jpg)
Microsoft power point curso-2006_sesion2_kohonen
- 1. Mapas Autoorganizados o Mapas de Kohonen (s2) Miguel BARRETO Investigador MINISTERIO DE AGRICULTURA Y DESARROLLO RURAL asocaña
- 2. Bondades de los SOM Los mapas auto organizados son una herramienta para la visualización de datos en altas dimensiones. Básicamente SOM produce un grafico de similaridad de los datos de entrada. Convierte las relaciones estadísticas no lineales entre datos de alta dimensionalidad en simples relaciones geométricas en puntos de una imagen en una visualización de baja dimensionalidad En contraste con los métodos clásicos, los SOM proporcionan una fácil visualización, tomando pocas suposiciones y restricciones además es capaz de manejar grandes grupos de datos y aislar patrones y estructuras de los datos. Por estas razones los Self-organizing maps han empezado a ser de gran interés para en exploración y análisis de datos, data mining también y en procesos agro-ecológicos.
- 3. Reducción de dimensionalidad x y t=0 Ejemplos (Estímulos del espacio de entrada) x y tfinal Reducción de dimension
- 4. Tres dimensiones z Ejemplos (Estímulos del espacio de entrada) x y Salida x x y Reducción de dimension y
- 5. Tres dimensiones Ejemplos (Estímulos del espacio de entrada) Salida z x y x y Reducción de dimension
- 6. Tres dimensiones Ejemplos (Estímulos del espacio de entrada) Salida z x x y y Reducción de dimension
- 7. 13 Dimensiones 13 Dimensiones Atributo Ganso Búho Halcón Águila lobo perro Lobo Gato Tigre León Caballo Cebra Vaca Pequeño (a) 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 2 patas 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 4 Patas 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 Pelo 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 Pezuñas 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 Crin 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 0 Plumas Otros Pato Grande Tiene Gallina Mediano (a) Es Paloma 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 Caza 0 0 0 0 1 1 1 1 0 1 1 1 1 0 0 0 Corre 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 0 Vuela 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 Nada 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 Reducción de dimension 0
- 9. 13 Dimensiones Ganso Pato Cebra Vaca Caballo Gallina Paloma Tigre Halcón Gato Lobo Búho Perro Águila Zorro Reducción de dimension León
- 11. Calidad de vida en el mundo Calidad de vida en el mundo Estadísticas del banco mundial sobre varios países en el año 1992 fueron usadas. 39 indicadores fueron tomados describiendo varios factores de calidad de vida tales como salud, nutrición, calida de los servicios públicos, acceso a la educación etc. Países que tenían indicadores similares se ubicaron cerca el uno del otro en el mapa. Procesar información incompleta
- 12. Calidad de vida en el mundo Países en mayúscula fueron usados para crear el mapa de Kohonen, algunos con datos faltantes. Países en minúscula fueron ubicados después del entrenamiento del mapa, algunos con mas de 11 datos faltantes Procesar información incompleta
- 13. Calidad de vida en el mundo che = Suiza mas de once datos faltantes moz = Mozambique mas de once datos faltantes mex = México mas de once datos faltantes Procesar información incompleta Calidades de vida similares en países de Europa y Japon Calidades de vida similares en países de Europa del este y Portugal Calidades de vida similares en África
- 14. Conservación de la topología
- 15. Doble hélice Conservación de la topología
- 16. Visualización
- 17. Análisis de los mapas Visualización
- 18. Ejemplo práctico
- 19. Características de la base de datos Título: Iris Plants Database Fuentes: (a) Creador: R.A. Fisher Atributos : 1. Largo del sépalo en cm. 2. Ancho del sépalo en cm. 3. Largo del pétalo en cm. 4. Ancho del pétalo en cm. 5. Clases: Iris Setosa Iris Versicolor Iris Virgínica Numero de datos: 150 (50 en cada una de las tres clases) Datos Faltantes : Ninguno Distribución de las clases: 33.3% para cada una de las tres clases Ejemplo práctico
- 20. Iris Plants Database Iris Setosa Ejemplo práctico Iris Versicolor Iris Virgínica
- 21. Distribución de clases de iris en América del norte Iris Setosa Ejemplo práctico Iris Versicolor Iris Virgínica
- 22. Visualización de los mapas Ejemplo práctico
- 23. Visualización de los mapas Ejemplo práctico
- 24. Visualización de los mapas Ejemplo práctico
- 26. Planos que componen el mapa Ejemplo práctico
- 27. Planos que componen el mapa Ejemplo práctico
- 28. Planos que componen el mapa Ejemplo práctico
- 31. Herramientas
- 32. SOMToolbox http://www.cis.hut.fi/projects/somtoolbox/ Herramienta elaborada en el laboratorio de Teuvo Kohonen en: The Laboratory of Computer and Information Science (CIS) en Helsinki University of Technology. Es un toobox gratuito, que explota las bondades de Matlab (visualización, programación etc.). Esta muy bien documentado y ha sido usado para el desarrollo de numerosos artículos científicos. Su utilización es sencilla y posee entornos gráficos que facilitan su uso. Existe una versión llamada sompack, para uso en línea de comandos que no necesita el uso de Matlab. http://www.cis.hut.fi/research/som_lvq_pak.shtml Herramientas
- 33. Data bionics ESOM http://databionic-esom.sourceforge.net/ Esta herramienta al igual que el SOMToolbox permite el entrenamiento, visualización y análisis de mapas de Kohonen. Es una herramienta de domino publico elaborada enteramente en JAVA. Su código fuente esta disponible. Es una herramienta fácil de usar y totalmente grafica. Herramientas
- 34. Practica SOMToolbox Adiccionar el toolbox a Matlab >>pathtool Leer los datos de nuestro archivo >> sD = som_read_data (‘iris.data'); Preprocesamiento de los datos >> preprocess(sD) Normalizacion >> sD = som_normalize(sD,'var'); Entrenar la red >> sM = som_make(sD); Calcular los labels >> sM = som_autolabel(sM,sD,'vote'); Herramientas/ SOMToolbox
- 35. Practica SOMToolbox Visualizar el mapa (U-Matrix) y los planos que lo componen >> som_show(sM,'umat','all','comp',1:4,'empty','Labels','norm','d'); Colocar los labels >>som_show_add('label',sM,'subplot',6); Herramientas/ SOMToolbox
- 36. Utilizando la ayuda gráfica Leer los datos de nuestro archivo >> sD = som_read_data (‘iris.data'); Normalizar >> sD = som_normalize(sD,'var'); Lanzar la aplicación ajustar parámetros y entrenar >> som_gui([sD]) Calcular los labels >> sM = som_autolabel(sM,sD,'vote'); Visualizar el mapa (U-Matrix) y los planos que lo componen >> som_show(sM,'umat','all','comp',1:4,'empty','Labels','norm','d'); Colocar los labels >>som_show_add('label',sM,'subplot',6); Herramientas/ SOMToolbox