Самоорганизиращи се карти на Кохонен
Добър ден на всички!
Днес се връщаме към най-интересната тема, а именно дискусията невронни мрежи. Ето предишните статии от поредицата:
И днес ще говорим за друг тип мрежи, наречени Мрежи на Кохонен, които се наричат още карти на Кохонен. Трябва да разберем какъв е принципът на тяхната работа, какви цели са предназначени да изпълняват, като цяло днес се интересуваме от всичко, което касае невронните мрежи на Кохонен 😉
И така, нека започнем с обсъждане какви задачи трябва да изпълняват невронните мрежи на Кохонен. Основната им цел е групиране на проби, тоест разделяне на проби на групи (клъстери) според една или друга характеристика. Например, може да сме изправени пред задачата да класифицираме спортистите според вида спорт, който играят. Тук подходящи знаци могат да бъдат височина, тегло, времето, необходимо на спортист, за да избяга сто метра и т.н. =) Ако предадем „параметрите“ на всички спортисти през мрежата на Кохонен, тогава на изхода получаваме определено число на групи, като трябва да бъдат изпълнени следните условия:
- пробите, принадлежащи към една и съща група, в известен смисъл трябва да си приличат
- а групи, подобни една на друга, от своя страна са разположени близо една до друга.
В този пример всички спортисти, участващи в лека атлетика, ще бъдат в една група, а баскетболистите в друга. При по-нататъшно мрежово обучение група от бегачи може да се отдели от групата на спортистите. И тогава, следвайки втория от изброените свойства, групата на бегачите трябва да бъде разположена близо до групата на спортистите и далеч от групата на баскетболистите. Ето как мрежите от този тип работят в общи линии 😉
Невронната мрежа на Кохонен за разлика от мрежите, които разгледахме по-рано, той се учи без учител и се нарича самоорганизираща се карта на Кохонен (SOFM - Self-Organizing Feature Map). Нека разгледаме по-отблизо структурата му.
Картите на Кохонен имат набор от входни елементи, чийто брой съвпада с размерите на векторите, подадени към входа, и набор от изходни елементи, всеки от които съответства на един клъстер (група). Ако анализираме спортистите според 4 характеристики - скорост на бягане, височина, тегло, издръжливост, тогава, съответно, трябва да имаме 4 входа, по един за всяка характеристика. В този случай един от спортистите действа като входен вектор и неговите координати са стойностите на неговите характеристики. Не знам дали съм избрал добра аналогия, но се надявам с такива примери същността на работата да стане по-ясна. самоорганизиращи се карти на Кохонен )
Обикновено те се опитват да зададат броя на изходните елементи по-малък от броя на входящите, в този случай мрежата ви позволява да получите опростено описание на обектите за по-нататъшна работа с тях.
Също така е необходимо да се спрем на структурата на връзките между мрежовите елементи. Тук всичко е просто - всеки входен елемент е свързан към всеки изход и всички връзки, както и за други невронни мрежи, имат определено тегло, което се коригира в процеса на обучение.