Архитектура, устройство и функционирование вычислительных систем / Лаба 9 / отчет архитект_9

Лабораторное занятие №9

Цель работы: знакомство с процессом кластеризации данных с помощью самоорганизующихся карт признаков. Определение структуры карты и параметров обучения, оценка эффективности кластеризации, содержательная интерпретация кластеров.

Задание:

• показать структуру кластеров карты Кохонена;

• составить таблица, полученная при содержательной интерпретации кластеров.

Ход работы

Структура сети Кохонена

Каждый выходной нейрон ассоциирован с кластером и, следовательно, в зависимости от того, какой из нейронов возбуждается при подаче на вход НСК определенного наблюдения, оно относится к соответствующему кластеру.

Обучение сетей Кохонена. Для обучения НСК используется конкурентное обучение или алгоритм Кохонена - итеративная процедура, в которой нейроны выходного слоя «конкурируют» между собой за право оказаться «ближе» к векторам обучающих примеров, подаваемых на вход сети. В начале обучения веса нейронов инициализируются небольшими случайными значениями. Каждая итерация содержит следующие шаги:

1. Конкуренция(competition). На вход сети поступает обучающий пример и для него определяется выходной нейрон, вектор весов которого наиболее близок к . Такой нейрон объявляется «победителем».

2. Объединение(cooperation). Для нейрона-победителя определяется группа нейронов вы-ходного слоя, расстояние до которых не превышает заданной величины, называемой радиусом обучения . Все нейроны, оказавшиеся в пределах радиуса обучения нейрона-победителя, должны подстраивать свои веса в направлении его вектора. В результате нейрон-победитель становится центром некоторого соседства нейронов с близкими векторами весов.

3. Подстройка (adaptation). Выполняется подстройка весов нейронов, оказавшихся в пределах радиуса обучения нейрона-победителя. Пусть на вход сети Кохонена поступает -й пример, случайно выбираемый из обучающего множества .

Данные для анализа:

E	nca	ca	eq	ltd	stl	rfs	cp	np
E1	5116652	1655737	4912417	619623	1240349	6391468	5820259	532581
E2	1226241	1224983	1457028	93921	900275	5027062	3462529	499271
E3	5851307	1460596	421161	395121	1295621	4489673	2291589	67368
E4	86188	840198	93900	604792	227694	141282	122932	10
E5	213652	289893	187876	138430	177239	474607	439172	8238
E6	292249	410349	44432	14565	643601	684336	636529	-36067
E7	107355	265899	132056	7656	233542	293423	302575	110
E8	155221	797983	74255	860	878949	244337	249286	-133140
E9	2852	69444	-27284	913	98667	173460	126278	-27697
E10	292001	130363	129216	155051	138097	357466	312348	-5967
E11	659633	1295344	132248	1650653	1172076	1671660	1626270	122137
E12	170298	666081	616076	582	219721	1002735	807602	117997

1. Запустили аналитическую платформу Deductor и загрузили обучающий набор данных нажав на кнопку Мастер импорта.

2. Открыли окно Мастера обработки и на 1-м шаге в секции Data Mining выбрали пункт «Самоорганизующаяся карта Кохонена».

На 2-м шаге указали столбцу "Предприятие" (Enterprise) назначение "Информационное", а остальным столбцам – "Входное".

На 3-м шаге Мастера обработки отключили использование тестового множества.

На 4-м шаге установили параметры карты: размер по X– 16 ячеек, поY– 12 ячеек, форма ячеек – 6 угольная.

На 5-м шаге, параметры остановки обучения, настройки оставили по умолчанию.

На 6-м шаге установили параметры обучения карты следующим образом:

- способ начальной инициализации весов карты – случайными значениями;

- количество эпох, через которое необходимо перемешивать строки - 20;

- скорость обучения: в начале обучения 0,3, в конце обучения 0,05;

- радиус обучения: в начале обучения 4, в конце обучения 0,1;

- функция соседства ступенчатая.

- число кластеров выбрать соответствующим числу ожидаемых групп объектов со сходными свойствами в обучающем наборе данных, если имеются некоторые априорные сведения.

- уровень значимость выбрали 0,1.

Для отображения полученных групп кластеров выбрали в обработчике "Кластеризация" из списка визуализаторов способы отображения данных: "Что-если" для решения задачи классификации, отнесение нового предприятия к одному из кластеров, "Профили кластеров" для определения структуры формирования группы кластеров и "Куб" для наглядного просмотра полученных результатов.

Для настройки визуализатора "Куб" выбрали рассматриваемые свойства как факты, а номер кластера как измерение.

В "Профили кластеров" представлены все рассматриваемые свойства вместе с характером влияния их на состав кластера.

Далее определили, как в таблице располагать измерения и факты

Для каждого факта выбрали вычисление среднего по рассматриваемой группе.

Алгоритм автоматически разбил предприятия на два кластера с разной поддержкой и разными процентами значимости свойств. Первый кластер содержит 8 предприятий, второй – 4.

Самым значимым для первого кластера является «Выручка от реализации», для второго «Оборотные активы».

При построении кросс-диаграммы на панели инструментов окна кросс-диаграммы нажали кнопки «Нормализация, приведение графиков к единому масштабу».

Добавили в кросс-диаграмму все параметры, по которым проводилась кластеризация, и легенду, которая укажет каким цветом какой параметр отображается.