Page 224 - 4703

8 КЛАСТЕР-АНАЛІЗ

Кластер-аналіз в модулі нейронних мереж виконується за
допомогою мереж SOFM (Кохонена). Розглянемо більш дета-
льно даний тип нейронних мереж.

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

224