Documente Academic
Documente Profesional
Documente Cultură
RESUMEN.
Se describe las caractersticas de los mapas auto organizados, su regla de aprendizaje, su algoritmo de
entrenamiento, con la finalidad de resolver problemas de clasificacin.
INTRODUCCIN
Los mapas autoorganizados o SOM (SelfOrganizing Maps), tambin llamados redes de
Kohonen son un tipo de red neuronal no
supervisada, competitiva, distribuida de forma
regular en una rejilla de, normalmente, dos
dimensiones. Su finalidad es descubrir la
estructura subyacente de los datos introducidos
en ella. A lo largo del entrenamiento de la red, los
vectores de datos son introducidos en cada
neurona y se comparan con el vector de peso
caracterstico de cada neurona. La neurona que
presenta menor diferencia entre su vector de peso
y el vector de datos es la neurona ganadora (o
BMU) y ella, y sus vecinas vern modificados
sus vectores de pesos. Este tipo de mapas
permiten reducir la dimensionalidad de los
vectores de entrada para representarlos mediante
una matriz de distancias unificada (U-matriz)
generalmente consistente en una matriz 2D, apta
para la visualizacin como una imagen plana.
ESTRUCTURA
APLICACIN
DE SOM A
VISUALIZACIN DE DATOS
LA
Reduccin de la multidimensionalidad:
Podemos representar conjuntos de
datos de gran nmero de atributos en
mapas 2D.
Asociacin de elementos con atributos
similares: Visualmente podemos ver de
forma rpida como quedan agrupados
elementos que tienen valores prximos
entre s.
Facilidad de implementacin: La
implementacin de un sistema SOM es
relativamente fcil y se adapta
perfectamente al modelo de procesado
en paralelo por lo que es tambin muy
fcilmente optimizable.
Abstraccin de los datos de entrada:
Los SOM son totalmente transparentes
a la naturaleza de los datos de entrada,
tan solo se limitan a comparar vectores
de entrada con los pesos sinpticos de
las neuronas de la rejilla. Esto hace que
pueda ser usado en gran variedad de
problemas sin tener necesidad de
cambiar la aplicacin base.
Facilidad de integracin con otras
tcnicas: Esta tcnica se puede
compaginar con otras tcnicas de
obtencin de conocimiento como
pueden ser las redes bayesianas
realizando un preprocesado del
conjunto de datos.
APRENDIZAJE NO SUPERVISADO
Los algoritmos de clasificacin no supervisados
son aquellos que no requieren etiquetado de cada
uno de los vectores de entrada; se suelen llamar
tambin algoritmos auto-asociativos, porque
asocian entradas a ellas mismas. Una buena
explicacin de estos algoritmos se halla en la
FAQ de redes neuronales.
El tipo ms comn de algoritmos de aprendizaje
o clasificacin no supervisada son los algoritmos
de anlisis de grupos o clustering; estos
algoritmos tratan de dividir las muestras del
conjunto de entrada en una serie de grupos con
caractersticas comunes. Un algoritmo debe
descubrir cules son estos clusters, pero tambin
cules son las caractersticas que define ese
cluster y cuntos clusters hay; pero ste ltimo es
un problema que no tiene solucin fcil.
Dentro de las redes neuronales, uno de los
mtodos no supervisados ms comunes es
precisamente el SOM, pero hay otro mtodo
denominado aprendizaje hebbiano que usa una
red monocapa, con pesos conectando las entradas
a las salidas, y aumentarndo el valor de los pesos
que unen a dos neuronas si se activan a la vez, y
disminuir el valor si se activan de forma
diferencial. Una red hebbiana se puede disponer
en una sola capa o varias: las entradas se
propagan a la capa interna, y a la salida, y tras la
propagacin, se cambian los pesos de la forma
indicada. El aprendizaje hebbiano equivale a un
anlisis de componentes principales de las
entradas, segn ha sido probado recientemente.
ARQUITECTURA EN RED
En general, el algoritmo SOM considera una
arquitectura en 2 capas: por una parte tenemos
una red de nodos de aprendizaje (de la que nos
importa la relacin de distancias que hay entre
ellos) junto con un conjunto de vectores de
entrenamiento, de forma que todos los elementos
de la primera capa estn conectados con todos los
elementos de la segunda capa. Para los
propsitos bsicos que necesitamos en este
ejemplo trabajaremos con una distribucin 2D
del SOM, tal y como muestra la siguiente figura
(la red de aprendizaje viene representada por
nodos rojos, y los vectores de entrenamiento
vienen representados en verde).
ALGORITMO DE APRENDIZAJE
A grandes rasgos, ya que no hay vector objetivo
al que aproximarse, lo que se hace es que, en
aquellas zonas en las que la red tiene nodos con
pesos que coinciden con vectores de
entrenamiento, el resto de nodos de su entorno
tienden a aproximarse tambin a ese mismo
vector. De esta forma, partiendo de una
dstribucin de pesos inicial (normalmente
aleatorios), el SOM tiende a aproximarse a una
distribucin de pesos estable. Cada una de estas
zonas que se estabiliza se convierte en un
clasificador de propiedades, de forma que la red
se convierte en una salida que representa una
aplicacin de clasificacin. Una vez estabilizada
la red, cualquier vector nuevo estimular la zona
de la red que tiene pesos similares.
De forma ms detallada, los pasos que se siguen
para el proceso de entrenamiento son:
la seleccin de variables.
clasificacin de
informacin
formacin de cluster.
regresin.
relaciones entre variables.
cambios y desviaciones.
representacin de las variables.
APLICACIONES:
Se estima que a pesar de las limitaciones
tcnicas, las redes neuronales aplicadas a la
Bibliometra constituyen un campo de
investigacin muy prometedor. Un ejemplo es
presentado a continuacin. La disciplina
muldidisciplinar de las redes neuronales es
aplicada en esta seccin, donde se asume a la
produccin de los documentos de patentes como
indicador de la capacidad de desarrollo
ANLISIS
DE
PACIENTE
DIABTICOS INTERNADOS
RIESGOS
BANCARIOS VARIABLES
DE LOS DATOS [5]
INTERFERENCIA
CATRASTOFICA
Sucede cuando cuanod la informacion que fue
recientemente aprendida a menudo elimina la
que fue anteriormente aprendida. El problema
principal consiste en disear un sistema que sea
simultaneament sensible a pero no radicalmente
destructivo, a la nueva entrada.
ROBUSTEZ:
En la data real existen diversos puntos
denominados outliers los cuales difieren del
comun de los datos. Las SOM no son sensibles a
la presencia de este tipo de datos, no logranso
realizar una buena generalizacion del conjunto de
entrada, siendo otro problema importante que se
debe abordar. [6]
CONCLUSIONES:
El uso de las redes neurales incide en las
empresas mejorando el proceso de calificacin
de las finanzas econmicas al margen de error en
el ranking. Todo esto demuestra su utilizacin en
varios campos (capital de trabajo, pagos,
inversiones, etc.), para poder ser aplicado a una
gran variedad de proyectos e investigaciones.
En este trabajo hemos presentado los mapas autoorganizados tal y como fueron introducidas por
Kohonen y particularizando desde el punto de
vista general de redes neuronales artificiales. De
entre las miles de aplicaciones que tienen los
mapas auto-organizados hemos descrito varias
de ellas orientadas a la segmentacin de
imgenes en color. Posteriormente hemos
introducido el concepto de mapa autoorganizado generalizado, cuya principal virtud
sea quizs su simetra respecto a los datos de
entrada y las neuronas. Hemos visto como
algunas de las variantes de mapas autoorganizados explicados anteriormente se
enmarcan dentro de este nuevo concepto
generalizado mientras que no lo hacan en el
concepto clsico de mapa auto-organizado.
Creemos que este concepto podra dar a nuevas
desarrollos o variaciones de mapas autoorganizados. Como aplicacin hemos diseado
un mapa auto-organizado generalizado orientado
a la segmentacin de imgenes en color. La
diferencia con un mapa clsico radica
fundamentalmente en que el movimiento de las
neuronas se realiza a lo largo de las geodsicas
de cierta mtrica. Esta mtrica depende de una
densidad continua calculada a partir de las
muestras. La implementacin se ha llevado a
cabo en MATLAB y C.
Bibliografa
[1] [En lnea]. Available: http://geneura.ugr.es/~jmerelo/tutoriales/bioinfo/Kohonen.html.
[ltimo acceso: 22 mayo 2015].
[2] D. C. d. l. C. e. I. A. U. d. Sevilla, 10 enero 2014. [En lnea]. Available:
http://www.cs.us.es/~fsancho/?e=76. [ltimo acceso: 22 mayo 2015].
[3] [En lnea]. Available:
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema5dm.pdf. [ltimo
acceso: 22 MAYO 2015].
[4] M. V. Guzmn. [En lnea]. Available:
http://www.dynamics.unam.edu/DinamicaNoLineal/Articulos/MineriaDatos/Articulo03.pdf.
[ltimo acceso: 22 mayo 2015].
[5] G. Meschino. [En lnea]. Available:
http://www3.fi.mdp.edu.ar/meschino/Presentaciones/GUSTAVO%2008%20%20KOHONEN.pdf. [ltimo acceso: 22 mayo 2015].
[6] [En lnea]. Available: http://www.doc4net.es/doc/1850344633707/. [ltimo acceso: 22
mayo 2015].