Datenclustering mit Self Organizing Maps
Florian Ilgenfritz, Robert Freund
Universität Osnabrück, 17.7.2003
Wiederholung
Gewichteupdate
Lernrate
Charakterisiert Abstand zum Gewinnerneuron
Gewinnerneuron: Betaterm ist 1
Bestimmen des Gewinnerneurons
Multiplikation von Input- und Gewichtevektor
Differenz von Input- und Gewichtevektor
Beispiel 1: Buchstabenclustering
. # # # . # . . . # # . . . # # # # # # # . . . # # . . . # # . . . #
Kodierung der Buchstaben als 35-elementige Vektoren
26 35-dimensionale, binäre Inputvektoren
0,1,1,1,0,1,0,0,0,1,1,0,0,0,1,1,1,1,1,1,1,0,0,0,1,1,0,0,0,1,1,0,0,0,1
Clustering von Buchstaben - Beispiele
Multiplizierte Vektoren, 8x8 Neuronen, 50 Trainingsdurchläufe
Verglichene Vektoren, 8x8 Neuronen, 50 Trainingsdurchläufe
Beispiel 2: Themengruppen aus einer Linksammlung ("meiNetz")
Etwa 90 Themengruppen und 1500 Links
Themengruppen können mit Links verknüpft sein
Charakterisierung der einzelnen Themengruppen danach, mit welchen Links sie verknüpft sind
90 1500-dimensionale, binäre Inputvektoren
Clustering von Themengruppen aus meiNetz - Beispiele
Multiplizierte Vektoren, 13x13 Neuronen, 20 Trainingsdurchläufe
Multiplizierte Vektoren, 13x13 Neuronen, 20 Trainingsdurchläufe, 3 besten Winner angezeigt
Verglichene Vektoren, 13x13 Neuronen, 10 Trainingsdurchläufe
Beispiel 3: Clustering von Wahlkreisen der BRD
299 Wahlkreise, charakterisiert anhand 37 verschiedener statistischer Daten
(Arbeitslosigkeit, Bevölkerungsdichte, KfZ-Bestand, Schulabschlüsse...)
Auch Daten zu Bundesländern und Gesamtdeutschland liegen vor
Clustering von Wahlkreisen der BRD - Beispiele
Multiplizierte Vektoren, 16x16 Neuronen, 20 Trainingsdurchläufe
Multiplizierte Vektoren, 25x25 Neuronen, 50 Trainingsdurchläufe
Verglichene Vektoren, 25x25 Neuronen, 20 Trainingsdurchläufe
(Sigma = 0.3)
Verglichene Vektoren, 25x25 Neuronen, 20 Trainingsdurchläufe
(Sigma = 0.1)
Verglichene Vektoren, 25x25 Neuronen, 20 Trainingsdurchläufe
(Sigma = 0.3)
, inklusive Bundesländer
Verglichene Vektoren, 20x20 Neuronen, 20 Trainingsdurchläufe
(Altersstruktur)
References
Sperschneider, V.: Neuronale Netze; Vorlesung im SS 2003 (Vorlesungsscript), Universität Osnabrück
Self-Organization in Ad Hoc Sensor Networks: An Empirical Study
http://www.cs.okstate.edu/~aa/week7.pdf