Graficzna ocena jakości odwzorowania struktury grupowej na mapie Kohonena

• Autorzy: Kamila Migdał-Najman , Krzysztof Najman

Warianty tytułu

Graphical Quality Assessment of Group Structure Mapping on the Kohonen's Map

• Języki publikacji: PL

Abstrakty

W eksperymentach wykorzystano wygenerowane zbiory danych metrycznych o znanej strukturze przestrzennej jednostek. Dla każdego zbioru zbudowano sieci SOM (Self Organizing Map). Dla każdej sieci dokonano wizualizacji badanych wskaźników jakości odwzorowania i oceniono, która część mapy Kohonena odpowiada za powstałe błędy od-wzorowania. W oparciu o tę ocenę wyróżniono jednostki i skupienia poprawnie i błędnie pogrupowane. Ostatecznie dokonano próby lokalnej oceny jakości grupowania, którą można przypisać każdej jednostce zbioru danych.

EN

In the article the authors used generated data sets with known spatial structure of units. For each of the data set there was built the neural network type of SOM (Self Organiz-ing Map). For each neural network there was made a visualization of coefficients of quality mapping. This approach allows to decide which part of Kohonen's map is responsible for mapping errors as well as to recognize those units and clusters which are correctly and in-correctly grouped. The authors conducted a local assessment of the quality of clustering for each unit.(original abstract)

Słowa kluczowe

PL

Mapa samoorganizująca

EN

Self-Organizing Maps (SOM)

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2014
• Tom: 22
• Numer: nr 327 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 139--147

Twórcy

autor

Kamila Migdał-Najman

• Uniwersytet Gdański

autor

Krzysztof Najman

• Uniwersytet Gdański

Bibliografia

• Chattopadhyay M., Dan P.K., Mazumdar S. (2012), Application of visualclusteringproperties of self- -organizing map in machine-part cellformation, "Applied Soft Computing" 12, 2, s. 600-610.
• Davies D.L., Bouldin D.W. (1979), A cluster separation measure, "Pattern Analysis and Machine Intelligence", IEEE Transactions on, PAMI-1, 2, s. 224-227.
• Herbst M., Casper M.C. (2008), Towards model evaluation and identification using self-organizing maps, "Hydrology and Earth System Science", 12, 2, s. 657-667.
• Kaski S., Lagus K. (1996), Comparing self-organizing maps, Proceedings of the 1996 International Conference on Artificial Neural Networks, Springer-Verlag, Berlin, s. 809-814.
• Kohonen T. (2001 [1997]), Self-Organizing Maps, Springer-Verlag, Berlin - Heidelberg.
• Migdał-Najman K., Najman K. (2013), Samouczące się sztuczne sieci neuronowe w grupowaniu i klasyfikacji danych. Teoria i zastosowania w ekonomii, Wydawnictwo Uniwersytetu Gdańskie-go, Gdańsk.
• Nash J.E., Sutcliffe J.V. (1970), River flow fore casting through conceptual models part I - A discus-sion of principles, "Journal of Hydrology", 10, 3, s. 282-290.
• Niemann H., de Mori R., Hanrieder G. (1994), Progress and Prospects of Speech Research Techno- logy, Proceedings in Artificial Intelligence CRIM/FORWISS Workshop, München, September.
• Pölzlbauer G. (2004), Survey and comparison of quality measures for self-organizing maps, Proceed-ings of the Fifth Workshop on Data Analysis WDA'04, Elfa Academic Press, Slovakia, s. 67-82.
• Sun Y. (2000), On quantization error of self-organizing map network, "Neurocomputing", 34, 1-4, s. 169-193.
• Spath H. (1985), Cluster Dissection and Analysis: Theory, FORTRAN Programs, Examples, Halsted Press, New York.
• Willmott C.J. (1981), On the validation of models, "Physical Geography", 2, s.184-194.
• Willmott C.J. (1982), Some comments on the evaluation of model performance, "Bulletin of the American Meteorological Society", 63, 11, s. 1309-1313.