Nó Kohonen

As redes de Kohonen são um tipo de rede neural que realiza armazenamento em cluster, também conhecido como knet ou mapa de auto-organização. Este tipo de rede pode ser utilizado para armazenar em cluster o conjunto de dados em grupos distintos quando você não souber quais desses grupos estão no início. Os registros são agrupados de modo que os registros em um grupo ou cluster sejam similares entre si, e que registros em grupos diferentes sejam dissimilares.

As unidades básicas são neurônios, e elas são organizadas em duas camadas: o camada de entrada e camada de saída (também chamada de mapa de saída). Todos os neurônios de entrada estão conectados a todos os neurônios de saída, e essas conexões possuem pontos fortes ou pesos, associadas a elas. Durante o treinamento, cada unidade concorre com todas as outras para "vencer" cada registro.

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

Os 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, todas as ponderações são aleatórias. Quando uma unidade ganha um registro, seus pesos (junto com os de outras unidades próximas, coletivamente chamados de vizinhança) são ajustados para corresponder melhor ao padrão de valores do preditor para aquele registro. Todos os registros de entrada são mostrados, e as ponderações são atualizadas apropriadamente. Esse processo é repetido muitas vezes até que as mudanças se tornem muito pequenas. Conforme o treinamento prossegue, 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 for totalmente treinada, os registros que forem semelhantes deverão estar próximos no mapa de saída, ao passo que registros que forem diferentes estarão mais distantes.

Diferentemente da maioria dos métodos de aprendizado no ' watsonx.ai Studio, as redes Kohonen não usam um campo de destino. Esse tipo de aprendizado, sem campo de destino, é denominado aprendizado não supervisionado. Ao invés de tentar prever um resultado, a rede Kohonen tenta descobrir padrões no conjunto de campos de entrada. Normalmente, uma rede Kohonen terminará com algumas unidades que resumem muitas observações (unidades fortes) e várias unidades que realmente não correspondem a nenhuma das observações (unidades fracas). As unidades fortes (e às vezes outras unidades adjacentes a elas na grade) representam centros de cluster prováveis.

Outro uso das redes de Kohonen está na redução de dimensão. A característica espacial da grade bidimensional fornece um mapeamento dos preditores originais k para dois recursos derivados que preservam os relacionamentos de similaridade nos preditores originais. Em alguns casos, isso pode fornecer o mesmo tipo de benefícios que a análise de fator 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 de treinar e generalizar melhor. Se achar que está obtendo 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 fazer com que os dados na associação ao grupo construam um modelo de rede Kohonen. Não é necessário nem mesmo saber o número de grupos para procurar. As redes Kohonen iniciam com um número grande de unidades e, conforme o treinamento avança, as unidades fluem em direção aos clusters naturais nos dados. É possível observar o número de observações capturadas por cada unidade no nugget do modelo para identificar as unidades fortes, que podem dar uma ideia melhor do número apropriado de clusters.