Tipos de mapas organizadores

Los mapas autoorganizados se utilizan para

Un mapa autoorganizado (SOM) o mapa de características autoorganizado (SOFM) es una técnica de aprendizaje automático no supervisado que se utiliza para producir una representación de baja dimensión (normalmente bidimensional) de un conjunto de datos de mayor dimensión, preservando la estructura topológica de los datos. Por ejemplo, un conjunto de datos con p variables medidas en n observaciones podría representarse como clusters de observaciones con valores similares para las variables. Estos conglomerados podrían visualizarse como un «mapa» bidimensional, de manera que las observaciones de los conglomerados próximos tengan más valores similares que las de los conglomerados distales. Esto puede facilitar la visualización y el análisis de datos de alta dimensión.
Un SOM es un tipo de red neuronal artificial, pero se entrena utilizando el aprendizaje competitivo en lugar del aprendizaje de corrección de errores (por ejemplo, la retropropagación con descenso de gradiente) utilizado por otras redes neuronales artificiales. El SOM fue introducido por el profesor finlandés Teuvo Kohonen en la década de 1980 y, por lo tanto, a veces se le llama mapa de Kohonen o red de Kohonen[1][2] El mapa o red de Kohonen es una abstracción computacionalmente conveniente que se basa en modelos biológicos de sistemas neuronales de la década de 1970[3] y en modelos de morfogénesis que se remontan a Alan Turing en la década de 1950[4].

Ejemplo de mapas autoorganizados

Los mapas autoorganizativos (SOM) son una forma de red neuronal no supervisada que se utiliza para la visualización y el análisis exploratorio de datos de conjuntos de datos de alta dimensión. Nuestro objetivo es comprender cómo podemos utilizar un SOM para obtener información sobre los conjuntos de datos. Para ello, primero entendemos la inicialización, el entrenamiento, las métricas de error y las propiedades de convergencia del SOM. A continuación, discutimos las formas de interpretar y visualizar un Mapa Auto-Organizado. Por último, utilizamos conjuntos de datos reales para comprender lo que el mapa autoorganizativo puede decirnos sobre los datos etiquetados y no etiquetados. Basándonos en experimentos con nuestros conjuntos de datos, descubrimos que el Mapa Auto-Organizado puede informarnos sobre el espaciado y la posición de los clusters de alta dimensión, ayudarnos a encontrar patrones no lineales, y darnos una idea de la forma de nuestros datos.
abstractNote = {Los Mapas Auto-Organizativos (SOMs) son una forma de red neuronal no supervisada que se utiliza para la visualización y el análisis exploratorio de datos de conjuntos de datos de alta dimensión. Nuestro objetivo era comprender cómo podemos utilizar un SOM para obtener información sobre los conjuntos de datos. Para ello, primero entendemos la inicialización, el entrenamiento, las métricas de error y las propiedades de convergencia del SOM. A continuación, discutimos las formas de interpretar y visualizar un Mapa Auto-Organizado. Por último, utilizamos conjuntos de datos reales para comprender lo que el mapa autoorganizativo puede decirnos sobre los datos etiquetados y no etiquetados. Basándonos en los experimentos con nuestros conjuntos de datos, descubrimos que el Mapa Auto-Organizado puede informarnos sobre el espaciado y la posición de los clusters de alta dimensión, ayudarnos a encontrar patrones no lineales y darnos una idea de la forma de nuestros datos,}

Aplicaciones de los mapas autoorganizados

Hasta ahora, en nuestra serie de redes neuronales artificiales, hemos cubierto sólo las redes neuronales que utilizan el aprendizaje supervisado. Para ser más precisos, sólo hemos explorado las redes neuronales que disponen de datos de entrada y salida durante el proceso de aprendizaje. Basándose en esta información, este tipo de redes neuronales cambian sus pesos y son capaces de aprender a resolver un determinado problema. Sin embargo, existen otros tipos de aprendizaje y vamos a explorar las redes neuronales que también utilizan estos otros enfoques.
En concreto, vamos a familiarizarnos con el aprendizaje no supervisado. Las redes neuronales que utilizan este tipo de aprendizaje sólo reciben datos de entrada y en base a ellos generan algún tipo de salida. Las respuestas correctas no se conocen durante el proceso de aprendizaje y las redes neuronales intentan averiguar patrones en los datos por sí mismas. El resultado de este enfoque es que solemos tener algún tipo de agrupación o clasificación de los datos. Los mapas autoorganizativos, o SOMs para abreviar, utilizan este enfoque.

Mapas autoorganizados python

Tabla de tamaño completoPara comprobar la solidez del mapeo de las ondas individuales se calculó la cifra de mérito M(v) (Tabla 2). Esta cifra expresa el número de distritos médicos que fueron asignados al mismo cluster para el mapeo del conjunto de datos completo y también para el mapeo de las olas individuales. La media de las oleadas combinadas fue de 0,82 (escala 0-1), lo que indica la existencia de agrupaciones sólidas a lo largo del periodo temporal.Tabla 2
Ellen-Wien Augustijn.Información adicionalIntereses contrapuestosLos autores declaran que no tienen intereses contrapuestos.Contribuciones de los autoresEWA y RZM diseñaron juntos el experimento, EWA realizó el análisis de los datos, EWA y RZM analizaron los resultados y escribieron juntos el artículo. Ambos autores leyeron y aprobaron el manuscrito final.Material suplementario electrónico
12942_2013_575_MOESM1_ESM.rArchivo adicional 1:El script de R utilizado para realizar el análisis discutido en este trabajo. Este archivo muestra en pasos detallados cómo se realizaron los análisis, incluyendo comentarios con detalles explicativos. (R 17 KB)Archivos originales enviados por los autores para las imágenesA continuación se muestran los enlaces a los archivos originales enviados por los autores para las imágenes. Archivo original de los autores para la figura 1Archivo original de los autores para la figura 2Archivo original de los autores para la figura 3Archivo original de los autores para la figura 4Archivo original de los autores para la figura 5Archivo original de los autores para la figura 6Archivo original de los autores para la figura 7Archivo original de los autores para la figura 8Archivo original de los autores para la figura 9Archivo original de los autores para la figura 10Archivo original de los autores para la figura 11Archivo original de los autores para la figura 12Archivo original de los autores para la figura 13Derechos y permisos