Microsoft power point curso-2006_sesion2_kohonen

435 views
264 views

Published on

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
435
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
12
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Microsoft power point curso-2006_sesion2_kohonen

  1. 1. Mapas Autoorganizados o Mapas de Kohonen (s2) Miguel BARRETO Investigador MINISTERIO DE AGRICULTURA Y DESARROLLO RURAL asocaña
  2. 2. Bondades de los SOM Los mapas auto organizados son una herramienta para la visualización de datos en altas dimensiones. Básicamente SOM produce un grafico de similaridad de los datos de entrada. Convierte las relaciones estadísticas no lineales entre datos de alta dimensionalidad en simples relaciones geométricas en puntos de una imagen en una visualización de baja dimensionalidad En contraste con los métodos clásicos, los SOM proporcionan una fácil visualización, tomando pocas suposiciones y restricciones además es capaz de manejar grandes grupos de datos y aislar patrones y estructuras de los datos. Por estas razones los Self-organizing maps han empezado a ser de gran interés para en exploración y análisis de datos, data mining también y en procesos agro-ecológicos.
  3. 3. Reducción de dimensionalidad x y t=0 Ejemplos (Estímulos del espacio de entrada) x y tfinal Reducción de dimension
  4. 4. Tres dimensiones z Ejemplos (Estímulos del espacio de entrada) x y Salida x x y Reducción de dimension y
  5. 5. Tres dimensiones Ejemplos (Estímulos del espacio de entrada) Salida z x y x y Reducción de dimension
  6. 6. Tres dimensiones Ejemplos (Estímulos del espacio de entrada) Salida z x x y y Reducción de dimension
  7. 7. 13 Dimensiones 13 Dimensiones Atributo Ganso Búho Halcón Águila lobo perro Lobo Gato Tigre León Caballo Cebra Vaca Pequeño (a) 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 2 patas 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 4 Patas 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 Pelo 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 Pezuñas 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 Crin 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 0 Plumas Otros Pato Grande Tiene Gallina Mediano (a) Es Paloma 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 Caza 0 0 0 0 1 1 1 1 0 1 1 1 1 0 0 0 Corre 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 0 Vuela 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 Nada 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 Reducción de dimension 0
  8. 8. 13 Dimensiones Ganso Pato Cebra Vaca Caballo Gallina Paloma Tigre Halcón León Gato Lobo Búho Perro Águila Zorro Reducción de dimension
  9. 9. 13 Dimensiones Ganso Pato Cebra Vaca Caballo Gallina Paloma Tigre Halcón Gato Lobo Búho Perro Águila Zorro Reducción de dimension León
  10. 10. Procesar información incompleta
  11. 11. Calidad de vida en el mundo Calidad de vida en el mundo Estadísticas del banco mundial sobre varios países en el año 1992 fueron usadas. 39 indicadores fueron tomados describiendo varios factores de calidad de vida tales como salud, nutrición, calida de los servicios públicos, acceso a la educación etc. Países que tenían indicadores similares se ubicaron cerca el uno del otro en el mapa. Procesar información incompleta
  12. 12. Calidad de vida en el mundo Países en mayúscula fueron usados para crear el mapa de Kohonen, algunos con datos faltantes. Países en minúscula fueron ubicados después del entrenamiento del mapa, algunos con mas de 11 datos faltantes Procesar información incompleta
  13. 13. Calidad de vida en el mundo che = Suiza mas de once datos faltantes moz = Mozambique mas de once datos faltantes mex = México mas de once datos faltantes Procesar información incompleta Calidades de vida similares en países de Europa y Japon Calidades de vida similares en países de Europa del este y Portugal Calidades de vida similares en África
  14. 14. Conservación de la topología
  15. 15. Doble hélice Conservación de la topología
  16. 16. Visualización
  17. 17. Análisis de los mapas Visualización
  18. 18. Ejemplo práctico
  19. 19. Características de la base de datos Título: Iris Plants Database Fuentes: (a) Creador: R.A. Fisher Atributos : 1. Largo del sépalo en cm. 2. Ancho del sépalo en cm. 3. Largo del pétalo en cm. 4. Ancho del pétalo en cm. 5. Clases: Iris Setosa Iris Versicolor Iris Virgínica Numero de datos: 150 (50 en cada una de las tres clases) Datos Faltantes : Ninguno Distribución de las clases: 33.3% para cada una de las tres clases Ejemplo práctico
  20. 20. Iris Plants Database Iris Setosa Ejemplo práctico Iris Versicolor Iris Virgínica
  21. 21. Distribución de clases de iris en América del norte Iris Setosa Ejemplo práctico Iris Versicolor Iris Virgínica
  22. 22. Visualización de los mapas Ejemplo práctico
  23. 23. Visualización de los mapas Ejemplo práctico
  24. 24. Visualización de los mapas Ejemplo práctico
  25. 25. U-matrix Ejemplo práctico
  26. 26. Planos que componen el mapa Ejemplo práctico
  27. 27. Planos que componen el mapa Ejemplo práctico
  28. 28. Planos que componen el mapa Ejemplo práctico
  29. 29. Labels Ejemplo práctico
  30. 30. Labels Ejemplo práctico
  31. 31. Herramientas
  32. 32. SOMToolbox http://www.cis.hut.fi/projects/somtoolbox/ Herramienta elaborada en el laboratorio de Teuvo Kohonen en: The Laboratory of Computer and Information Science (CIS) en Helsinki University of Technology. Es un toobox gratuito, que explota las bondades de Matlab (visualización, programación etc.). Esta muy bien documentado y ha sido usado para el desarrollo de numerosos artículos científicos. Su utilización es sencilla y posee entornos gráficos que facilitan su uso. Existe una versión llamada sompack, para uso en línea de comandos que no necesita el uso de Matlab. http://www.cis.hut.fi/research/som_lvq_pak.shtml Herramientas
  33. 33. Data bionics ESOM http://databionic-esom.sourceforge.net/ Esta herramienta al igual que el SOMToolbox permite el entrenamiento, visualización y análisis de mapas de Kohonen. Es una herramienta de domino publico elaborada enteramente en JAVA. Su código fuente esta disponible. Es una herramienta fácil de usar y totalmente grafica. Herramientas
  34. 34. Practica SOMToolbox Adiccionar el toolbox a Matlab >>pathtool Leer los datos de nuestro archivo >> sD = som_read_data (‘iris.data'); Preprocesamiento de los datos >> preprocess(sD) Normalizacion >> sD = som_normalize(sD,'var'); Entrenar la red >> sM = som_make(sD); Calcular los labels >> sM = som_autolabel(sM,sD,'vote'); Herramientas/ SOMToolbox
  35. 35. Practica SOMToolbox Visualizar el mapa (U-Matrix) y los planos que lo componen >> som_show(sM,'umat','all','comp',1:4,'empty','Labels','norm','d'); Colocar los labels >>som_show_add('label',sM,'subplot',6); Herramientas/ SOMToolbox
  36. 36. Utilizando la ayuda gráfica Leer los datos de nuestro archivo >> sD = som_read_data (‘iris.data'); Normalizar >> sD = som_normalize(sD,'var'); Lanzar la aplicación ajustar parámetros y entrenar >> som_gui([sD]) Calcular los labels >> sM = som_autolabel(sM,sD,'vote'); Visualizar el mapa (U-Matrix) y los planos que lo componen >> som_show(sM,'umat','all','comp',1:4,'empty','Labels','norm','d'); Colocar los labels >>som_show_add('label',sM,'subplot',6); Herramientas/ SOMToolbox

×