Page 152 - 4703
P. 152

2.1 Загальні відомості про мережі SOFM

                Самоорганізовані  Карти  -  Self  Organizing  Feature  Map
           (SOFM,  або  Kohonen  мережі)  виконують  неконтрольоване
           навчання: вони вчяться розпізнавати групи в межах ряду не-
           класифікованих  учбових  даних;  тобто,  даних,  які  включають
           тільки вхідні змінні. Цим мережі Кохонена принципово відріз-
           няються від усіх інших типів мереж, реалізованих в пакеті ST
           Neural Networks.
                При керованому навчанні спостереження, що становлять
           навчальні  дані,  разом  з  вхідними  змінними  містять  також  і
           вихідні значення, що відповідають їм, і мережа Кохонена по-
           винна відновити відображення, що переводить перші в другі.
           У разі ж некерованого навчання навчальні дані містять тільки
           значення вхідних змінних. Мережі SOFM поміщають пов'язані
           групи близько один до одного у вихідний шар, формуючи То-
           пологічну  Карту  (див.  Kohonen,  1982;  Haykin,  1994;  Fausett,
           1994; Patterson, 1996).
                Одне з можливих застосувань таких мереж  -  розвідува-
           льний аналіз даних. Мережа Кохонена може розпізнавати кла-
           стери  в  даних,  а  також  встановлювати  близькість  класів.  Та-
           ким чином, користувач може поліпшити своє розуміння стру-
           ктури даних, щоб потім уточнити нейромережеву модель. Як-
           що в даних розпізнані класи, то їх можна позначити, після чо-
           го  мережа  зможе  вирішувати  завдання  класифікації.  Мережі
           Кохонена можна використати і в тих завданнях класифікації,
           де  класи  вже  задані  -  тоді  перевага  буде  в  тому,  що  мережа
           зможе виявити схожість між різними класами.
                Інша  можлива  сфера  застосування  -  виявлення  нових
           явищ. Мережа Кохонена розпізнає кластери в навчальних да-
           них і відносить усі дані до тих або інших кластерів. Якщо піс-
           ля цього мережа зустрінеться з набором даних, несхожим ні на
           один з відомих зразків, то вона не зможе класифікувати такий
           набір і тим самим виявить його новизну.
                Відмітимо, що, хоча мережі SOFM не повинні викорис-
           тати вихідні змінні для навчання, вони можуть використати їх,
           якщо  вони  є.  Виходом  мережі  SOFM  в  Нейронних  мережах
           STATISTICA завжди є номінальна змінна (тобто, вона завжди
           виступає класифікатором).


                                         152
   147   148   149   150   151   152   153   154   155   156   157