Nó Kohonen

As redes Kohonen são um tipo de rede neural que executa armazenamento em cluster, também conhecido como um knet ou um mapa de autoorganização. Esse tipo de rede pode ser usado para armazenar em cluster o conjunto de dados em grupos distintos quando você não sabe quais são esses grupos no início. Os registros são agrupados para que os registros dentro de um grupo ou cluster tendam a ser semelhantes entre si, e os registros em grupos diferentes são diferentes.

As unidades básicas são neurôniose são organizadas em duas camadas: a camada de entrada e a camada de saída (também chamada mapa de saída). Todos os neurônios de entrada são conectados a todos os neurônios de saída e essas conexões têm intensidadesou pesos, associados a eles Durante o treinamento, cada unidade compete com todos os outros para "ganhar" cada recorde.

O mapa de saída é uma grade bidimensional de neurônios, sem conexões entre as unidades.

Dados de entrada são apresentados à camada de entrada e os valores são propagados para a camada de saída. O neurônio de saída com a resposta mais forte é considerado o vencedor e é a resposta para essa entrada.

Inicialmente todos os pesos são aleatórios. Quando uma unidade ganha um registro, seus pesos (juntamente com aqueles de outras unidades próximas, coletivamente referidos como um ambiente) são ajustados para melhor corresponder ao padrão de valores preditivos para esse registro... Todos os registros de entrada são mostrados e os pesos são atualizados de acordo. Esse processo é repetido muitas vezes até que as mudanças se tornem muito pequenas. Conforme o treinamento continua, os pesos nas unidades de grade são ajustados para que formem um "mapa" bidimensional dos clusters (daí o termo mapa de auto-organização).

Quando a rede é totalmente treinada, os registros que são semelhantes devem estar próximos no mapa de saída, enquanto os registros que são muito diferentes serão muito distantes.

Ao contrário da maioria dos métodos de aprendizagem, watsonx.ai as redes de Kohonen não utilizam um campo-alvo. Esse tipo de aprendizado, sem campo-alvo, é chamado de aprendizado não supervisionado. Em vez de tentar prever um resultado, as redes Kohonen tentam descobrir padrões no conjunto de campos de entrada. Normalmente, uma rede Kohonen acabará com algumas unidades que resumem muitas observações (unidades fortes ) e várias unidades que não correspondem realmente a nenhuma das observações (unidades fracas ). As unidades fortes (e às vezes outras unidades adjacentes a elas na grade) representam prováveis centros de cluster.

Outro uso de redes Kohonen está em redução de dimensão A característica espacial da grade bidimensional fornece um mapeamento dos preditores originais do k para dois recursos derivados que preservam os relacionamentos de similaridade nos preditores originais Em alguns casos, isso pode fornecer o mesmo tipo de benefício que a análise fatorial ou PCA.

Note que o método para calcular tamanho padrão da grade de saída é diferente de versões mais antigas do SPSS Modeler. O método geralmente produzirá camadas de saída menores que são mais rápidas para treinar e generalizar melhor. Se você achar que obtém resultados ruins com o tamanho padrão, tente aumentar o tamanho da grade de saída na guia Especialista.

Requisitos. Para treinar uma rede Kohonen, você precisa de um ou mais campos com o papel configurado para Input. Campos com a função definida como Target, Bothou None são ignorados.

Fortes. Não é necessário ter dados sobre a associação ao grupo para construir um modelo de rede Kohonen. Você nem precisa saber o número de grupos para procurar. As redes Kohonen começam com um grande número de unidades e, à medida que o treinamento avança, as unidades gravitam em direção aos clusters naturais nos dados. É possível consultar o número de observações capturadas por cada unidade no nugget do modelo para identificar as unidades fortes, o que pode fornecer uma noção do número apropriado de clusters