Mapas de Auto-Aprendizaje Kohonen

Mapas auto-organizados de
Kohonen (SOM)
Los mapas auto-organizados de Kohonen (SOM)
En 1982 T. Kohonen presentó un modelo de red denominado mapas
auto-organizados o SOM (Self-Organizing Maps), basado en ciertas
evidencias descubiertas a nivel cerebral. Este tipo de red posee un
aprendizaje no supervisado competitivo.
No existe ningún maestro externo que indique si la red neuronal está

operando correcta o incorrectamente porque no se dispone de ninguna
salida objetivo hacia la cual la red neuronal deba tender.
La red auto-organizada debe descubrir rasgos comunes, regularidades,
correlaciones o categorías en los datos de entrada, e incorporarlos a su
estructura interna de conexiones. Por tanto, las neuronas deben auto-
organizarse en función de los estímulos (datos) procedentes del
exterior.
Es un aprendizaje competitivo por lo tanto las neuronas compiten unas
con otras con el fin de llevar a cabo una tarea dada. Se pretende que
cuando se presenta a la red un patrón de entrada, sólo una de las
neuronas de salida (o un grupo de vecinas) se active y el resto se
anulan y son forzadas a dar respuestas mínimas.
Objetivo de la red SOM
El objetivo de este aprendizaje es categorizar los datos que se
introducen en la red. Se clasifican valores similares en la misma
categoría y, por tanto, deben activar la misma neurona de salida.
Las clases o categorías deben ser creadas por la propia red, puesto que
se trata de un aprendizaje no supervisado, a través de las correlaciones
entre los datos de entrada.
Fundamentos biológicos
Se ha observado que en el córtex de los animales superiores aparecen
zonas donde las neuronas detectoras de rasgos se encuentran
topológicamente ordenadas; de forma que las informaciones captadas
del entorno a través de los órganos sensoriales, se representan
internamente en forma de mapas bidimensionales.
Aunque en gran medida esta organización neuronal está

predeterminada genéticamente, es probable que parte de ella se origine
mediante el aprendizaje. Esto sugiere, por tanto, que el cerebro podría
poseer la capacidad inherente de formar mapas topológicos a partir de
las informaciones recibidas del exterior.
También se ha observado que la influencia que una neurona ejerce
sobre las demás es función de la distancia entre ellas, siendo muy
pequeña cuando están muy alejadas.
El modelo de red auto-organizado presentado por Kohonen pretende

mimetizar de forma simplificada la capacidad del cerebro de formar
mapas topológicos a partir de las señales recibidas del exterior.
Arquitectura del SOM
Un modelo SOM está compuesto por dos capas de neuronas.
La capa de entrada (formada por N neuronas, una por cada variable de

entrada) se encarga de recibir y transmitir a la capa de salida la
información procedente del exterior.
La capa de salida (formada por M neuronas) es la encargada de

procesar la información y formar el mapa de rasgos.
Normalmente, las neuronas de la capa de salida se organizan en forma

de mapa bidimensional
Las conexiones entre las dos capas que forman la red son siempre hacia
delante, es decir, la información se propaga desde la capa de entrada hacia
la capa de salida.
Cada neurona de entrada i está conectada con cada una de las neuronas de
salida j mediante un peso wji. De esta forma, las neuronas de salida tienen
asociado un vector de pesos Wj llamado vector de referencia (o codebook),
debido a que constituye el vector prototipo (o promedio) de la categoría
representada por la neurona de salida j.
La topología y el número de neuronas permanece fijo desde el principio. El

número de neuronas determina la suavidad de la proyección, lo cual
influye en el ajuste y capacidad de generalización del SOM.
Durante la fase de entrenamiento, el SOM forma una red elástica que
se pliega dentro de la nube de datos originales. El algoritmo controla
la red de modo que tiende a aproximar la densidad de los datos. Los
vectores de referencia del codebook se acercan a las áreas donde la
densidad de datos es alta.
Eventualmente unos pocos vectores el codebook están en áreas donde

existe baja densidad de datos.
El algoritmo del SOM
El proceso de aprendizaje del SOM es el siguiente:
Paso 1. Un vector x es seleccionado al azar del conjunto de datos y se calcula
su distancia (similitud) a los vectores del codebook, usando, por ejemplo, la
distancia euclídea:
Paso 2. Una vez que se ha encontrado el vector más próximo o BMU (best
matching unit) el resto de vectores del codebook es actualizado. El BMU y
sus vecinos (en sentido topológico) se mueven cerca del vector x en el
espacio de datos. La magnitud de dicha atracción está regida por la tasa de
aprendizaje.
Mientras se va produciendo el proceso de actualización y nuevos
vectores se asignan al mapa, la tasa de aprendizaje decrece
gradualmente hacia cero. Junto con ella también decrece el radio de
vecindad.
La regla de actualización para el vector de referencia dado i es la

siguiente:
Los pasos 1 y 2 se van repitiendo hasta que el entrenamiento termina.
El número de pasos de entrenamiento se debe fijar antes, para calcular
la tasa de convergencia de la función de vecindad y de la tasa de
aprendizaje.
Una vez terminado el entrenamiento, el mapa ha de ordenarse en

sentido topológico: n vectores topológicamente próximos se aplican
en n neuronas adyacentes o incluso en la misma neurona.
Ejemplo: Vinos italianos
Se estudia el conjunto de datos wine contiene observaciones sobre 177
vinos italianos procedentes de tres cosecheros y 13 variables, como
concentraciones de alcohol y flavonoides entre otras.
Se usa la librería kohonen.
Programacion
El codigo esta escrito en lenguaje R:
library(kohonen)
data(wines)
set.seed(7)
wines.sc <- scale(wines)
wine.som <- som(data = wines.sc, grid = somgrid(5, 4, "hexagonal"))
names(wine.som)
summary(wine.som)
wine.som$unit.classif
wine.som$codes
plot(wine.som, main = "Datos de Vinos")
En el llamado SOM supervisado existe también hay una variable dependiente para
comparar los resultados (categórica o continua)
library(kohonen)
data(wines)
set.seed(7)
kohmap <- xyf(scale(wines), classvec2classmat(wine.classes),

grid = somgrid(5, 5, "hexagonal"))
par(mfrow=c(2,2))
plot(kohmap, type="codes", main=c("Distribuci\’{o}n de variables",
"Clases de C\’{o}digos"))
plot(kohmap, type="counts")
plot(kohmap, type="mapping",labels=wine.classes, col=wine.classes+1, main="Mapa de
clases")

Mapas de Auto-Aprendizaje Kohonen

Cargado por

Copyright:

Formatos disponibles

Mapas de Auto-Aprendizaje Kohonen

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mapas de Auto-Aprendizaje Kohonen

Cargado por

Copyright:

Formatos disponibles

Mapas auto-organizados de

No existe ningún maestro externo que indique si la red neuronal está

Aunque en gran medida esta organización neuronal está

El modelo de red auto-organizado presentado por Kohonen pretende

La capa de entrada (formada por N neuronas, una por cada variable de

La capa de salida (formada por M neuronas) es la encargada de

Normalmente, las neuronas de la capa de salida se organizan en forma

La topología y el número de neuronas permanece fijo desde el principio. El

Eventualmente unos pocos vectores el codebook están en áreas donde

La regla de actualización para el vector de referencia dado i es la

Una vez terminado el entrenamiento, el mapa ha de ordenarse en

kohmap <- xyf(scale(wines), classvec2classmat(wine.classes),

También podría gustarte