코호넨 노드

코호넨 네트워크는 knet 또는 자체 구성 맵이라고도 하는 클러스터링을 수행하는 신경망의 한 유형입니다. 이러한 유형의 네트워크를 사용하여 데이터 세트를 별개의 그룹으로 군집화할 수 있습니다 (해당 그룹이 처음에 무엇인지 모르는 경우). 레코드는 그룹 또는 클러스터 내의 레코드가 서로 유사한 경향이 있고 다른 그룹의 레코드가 유사하지 않도록 그룹화되어 있습니다.

기본 단위는 뉴런이며 두 개의 계층 ( 입력 계층 및 출력 계층 ( 출력 맵이라고도 함)) 으로 구성됩니다. 모든 입력 뉴런은 모든 출력 뉴런에 연결되어 있으며 이러한 연결에는 이와 연관된 강도또는 가중치가 있습니다. 훈련 중에 각 단위는 각 레코드를 "승리" 하기 위해 다른 모든 단위와 경쟁합니다.

출력 맵은 단위 간에 연결이 없는 2차원 뉴런 그리드입니다.

입력 데이터는 입력 계층에 표시되고 값은 출력 계층으로 전파됩니다. 가장 강력한 반응을 갖는 출력 뉴런은 승자 라고 하며 해당 입력에 대한 응답입니다.

처음에는 모든 가중치가 무작위입니다. 단위가 레코드를 획득하면 가중치 (전체적으로 이웃이라고 함) 는 해당 레코드에 대한 예측변수 값의 패턴과 더 잘 일치하도록 조정됩니다. 모든 입력 레코드가 표시되고 그에 따라 가중치가 업데이트됩니다. 이 프로세스는 변경사항이 매우 작아질 때까지 여러 번 반복됩니다. 훈련이 진행됨에 따라 격자 단위의 가중치가 클러스터의 2차원 "맵" 을 형성하도록 조정됩니다 (따라서 자체 구성 맵이라 함).

네트워크가 완전히 훈련된 경우 유사한 레코드는 출력 맵에서 서로 근접해야 하는 반면, 매우 다른 레코드는 멀리 떨어져 있습니다.

코호넨 네트워크는 대부분의 학습 방법과 달리 목표 필드를 watsonx.ai사용하지 않습니다. 이러한 목표 분야가 없는 학습 유형을 비지도 학습이라고 한다. 결과를 예측하는 대신, 코호넨 넷은 입력 필드 세트에서 패턴을 발견하려고 합니다. 일반적으로 코호넨 네트워크는 많은 관측값을 요약하는 소수의 유닛( 강한 유닛)과, 어떤 관측값에도 제대로 대응하지 않는 여러 유닛( 약한 유닛)으로 최종적으로 구성됩니다. 강한 단위 (및 때로는 격자에서 이에 인접한 다른 단위) 는 가능한 군집 중심을 나타냅니다.

코호넨 네트워크의 또 다른 사용은 차원 축소에 있습니다. 2차원격자의 공간적 특성은 k 원래 예측변수에서 원래 예측변수의 유사성 관계를 유지하는 두 개의 파생된 기능으로의 맵핑을 제공합니다. 어떤 경우에는 요인 분석 또는 PCA와 동일한 종류의 이점을 제공할 수 있습니다.

출력 격자의 기본 크기를 계산하는 방법은 이전 버전의 SPSS Modeler와 다릅니다. 이 방법은 일반적으로 더 빠르게 훈련하고 더 잘 일반화하는 더 작은 출력 레이어를 생성합니다. 기본 크기의 결과가 좋지 않은 경우에는 전문가 탭에서 출력 그리드의 크기를 늘리십시오.

요구사항. 코호넨 넷을 훈련하려면 역할이 Input로 설정된 하나 이상의 필드가 필요합니다. 역할이 Target, Both또는 None 로 설정된 필드는 무시됩니다.

강도. 코호넨 네트워크 모델을 작성하기 위해 그룹 멤버십에 대한 데이터가 필요하지 않습니다. 검색할 그룹 수도 알 필요가 없습니다. 코호넨 네트워크는 많은 수의 단위로 시작하며 훈련이 진행됨에 따라 단위가 데이터의 자연 군집으로 이동합니다. 모델 너깃의 각 단위에서 캡처한 관측값 수를 보고 강력한 단위를 식별할 수 있습니다. 이를 통해 적절한 군집 수를 파악할 수 있습니다.