Сегменты 0 и 3 - торговые точки, обладающие максимальными характеристиками - большой торговой площадью и линейной выкладкой. Это видно из анализа первых двух самоорганизующихся карт - высоким и выше средних значениям соответствуют оттенки цветов от ярко-зеленого до красного. Данные сегменты небольшие - менее 10% от всех торговых точек. Канал дистрибуции значения не имеет. [c.26]
Д94 Анализ финансовых данных с помощью самоорганизующихся карт / Пер. с англ. [c.4]
А теперь представьте, что закономерности, скрытые в массивах данных, сами проявляют себя визуально. Данные сами собой упорядочиваются, располагаясь на самоорганизующейся карте в соответствии с их внутренним устройством. Причем карта эта — интерактивная. Интересуетесь каким-то аспектом данных — пожалуйста, мгновенно получаем распределение этого признака на карте. Хотите исследовать [c.13]
Краткий обзор традиционных методов кластеризации и визуального представления больших наборов данных служит достаточной основой для того, чтобы в следующем разделе перейти к рассмотрению самоорганизующихся карт. [c.22]
Самоорганизующаяся карта (СОК) — это нейронная сеть без обратных связей, в которой используется алгоритм обучения без учителя. Посредством процесса, именуемого самоорганизацией, СОК образует топологическое представление исходных данных из элементов, получаемых на выходе. СОК относится к общему классу нейросетевых методов, использующих нелинейную регрессию. Ее можно обучить узнавать или находить взаимосвязи между входами и выходами либо [c.24]
Процесс создания самоорганизующейся карты требует двух слоев нейронов первый — входной слой, содержащий нейроны для каждого элемента входного [c.25]
| Рисунок 0.1. Нейронная сеть, обучаемая с учителем при помощи метода обратного распространения ошибки, в сравнении с самоорганизующейся картой. |  |
Эта книга содержит описание более двух десятков случаев применения самоорганизующихся карт. Основное внимание в ней уделено применению СОК в финансах. В ней содержится также описание нескольких примеров использования СОК в области операции с недвижимостью, один пример из области анализа потребительских предпочтении и один — связанный с организацией большой базы данных текстовых документов. Описание применения самоорганизующихся карт в технике, физиологии, обработке изображении и других областях читатель сможет найти в работах, упомянутых в библиографии. [c.33]
Дебок Г., Кохоген Т. Анализ финансовых данных с помощью самоорганизующихся карт Пер. с англ. - М. Издательский дом АЛЬПИНА , 2001. [c.381]
Возможно также объединение обоих типов кодирования. Например, очень богат приложениями метод топографических карт (или самоорганизующихся карт Кохонена - по имени предложившего их финского ученого) когда сами прототипы упорядочены в пространстве низкой размерности. Например входные данные можно отобразить на упорядоченную двумерную сеть прототипов так что появляется возможность визуализации многомерных данных. [c.71]
Р 7 Карта состояний российских предприятий. Предприятия характеризуются не только динамикой их ценных бумаг, но также различными экономическими показателями, отражающими его реальные успехи в бизнесе. В частности, таблицы важнейших экономических показателей двухсот самых крупных российских компаний ежегодно публикует журнал "Эксперт". Опять же, самоорганизующиеся карты Кохонена дают возможность комплексного сравнения положения флагманов российской индустрии, позволяют обозреть российскую промышленность в целом и проанализировать тенденции ее развития. [c.222]
Нейронные сети с прямой связью и обучением методом обратного распространения ошибки рассматриваются в литературе чаще других. Кроме них, существует много других сетевых моделей, некоторые из которых имеют вычурные названия конкурентное обучение (или адаптивная теория резонанса ), сети Хопфилда, машины Больцмана, самоорганизующиеся карты признаков Кохонена. [c.36]
Введенную Кохоненом [167] самоорганизующуюся карту признаков можно рассматривать как вариант нейронной сети. Сеть такого типа рассчитана на самостоятельное обучение во время обучения сообщать ей правильные ответы необязательно. В процессе обучения на вход сети подаются различные образцы. Сеть улавливает особенности их структуры и разделяет образцы па кластеры, а уже обученная сеть относит каждый вновь поступающий пример к одному из кластеров, руководствуясь некоторым критерием близости . [c.38]
Такой топологии расположения трубок позволяет достичь применение к обучению ДАЗУ алгоритма самоорганизующихся карт Кохонена [53, 54]. В этом случае на каждом такте обучения t при наличии сигнала на выходе ДАЗУ выбирается НЭ, оказавшийся ближайшим к входной н-грамме по метрике D, и его адрес модифицируется по правилу [c.113]
Для этого воспользуемся специальным инструментом сегментации - самоорганизующимися картами Кохонена. Логично предположить, что по ценовому фактору любая продукция всегда разбивается на 3 класса - сектор недорогих моделей, модели среднего ценового диапазона и дорогие (представительские) модели. Поэтому количество кластеров будет не меньше трех. Поскольку у нас имеются еще несколько важных признаков с функциональной точки зрения, то число класте- [c.23]
Чтобы понять, по каким правилам построенная модель разделяет телефоны на классы, следует воспользоваться еще одним инструментом Data Mining - классификационными деревьями решений. Входы модели останутся прежними, как в самоорганизующейся карте, и добавится выход -номер кластера. Построенное дерево решений извлекло 4 правила - по одному на каждый сегмент телефонов (табл. 3.1). [c.24]
Эро Карлсон получил степень магистра технических наук в Хельсинском технологическом университете Финляндии в 1970 г. С 1973 г. принимал участие в развитии финской географической информационной системы (ГИС) и с 1990 г. занимается нейронными сетями. Его главные интересы лежат в области оценки недвижимого имущества с помощью самоорганизующихся карт Кохонена (СОК), а также интеграции СОК и ГИС. Эро Карлсон — автор 15 публикаций по нейронным сетям. e-mail arison atk.nis.fi [c.8]
Самуэль Каски получил степень доктора технических наук в Хельсинском технологическом университете в 1997 г. Его главные исследовательские интересы лежат в сфере нейронных сетей, в особенности самоорганизующихся карт Кохонена и их применения в области статистики и извлечения данных. Во время работы в Центре исследований нейронных сетей принимал участие в различных проектах, включая посвященные распознаванию речи, теоретическому физиологическому моделированию, анализу электромагнитных сигналов мозга, анализу и визуальному представлению макроэкономической статистики, а также автоматической [c.9]
Гвидо Дебок обратился ко мне с просьбой оказать содействие в подготовке русского издания этой книги вскоре после ее выхода в 1998 г. Уже готовился ее перевод на японский, и Гвидо как инициатор ее создания, редактор и, можно сказать, адепт метода самоорганизующихся карт с большим опытом его практического применения ко многим макро- и микроэкономическим задачам очень хотел ознакомить российскую аудиторию с этим современным и красивым средством визуального анализа данных. [c.13]
Второй редактор этой книги, Тейво Кохонен, замечательный ученый, член многих академий и первый президент Европейского Нейросетевого Общества, является автором метода самоорганизующихся карт и, наверное, лучшим экспертом в этой области, библиография по которой уже далеко перевалила за 1000 публикаций. [c.13]
Самоорганизующиеся карты подсмотрены Тейво Кохоненом у природы. Они основаны на тех же принципах самоорганизации, что лежат в основе деятельности головного мозга. Многие, наверное, видели в учебниках по анатомии карты сенсорной или двигательной коры человеческого мозга, где каждому органу соответствует своя область мозга. Это соответствие возникло спонтанно благодаря пластичности мозга и его способности обучаться. Карты Кохонена также представляют собой пластичную обучающуюся поверхность, формирующую двумерный портрет сложных многомерных данных. Принцип их работы при желании легко понять, еще легче освоить этот удобный аналитический инструмент на практике. [c.14]
В работе Кохонена основное внимание уделено методологии упомянутых нейронных сетей. В настоящей же книге мы обсудим исследовательский анализ данных и процесс извлечения знаний, а также дадим обзор традиционных методов кластеризации и визуального представления данных. Затем мы опишем самоорганизующиеся карты и их преимущества при использовании в финансах, экономике и маркетинге. Книга иллюстрирует использование СОК в целях [c.19]
Программное обеспечение открытого доступа в Интернет, например R-pa kage, позволяет нам создать из этих данных дендрограмму, подвергнуть их анализу методом главных компонент, кластеризации методом К-средних и даже многомерному масштабированию. Все это мы оставляем в качестве упражнения для читателя. Ограничения для применения каждого из этих методов уже обсуждались выше. Поэтому, давайте, исследуем, что можно сделать с помощью самоорганизующейся карты. [c.28]
Данная карта построенная по 72 признакам 109 сортов солодовых виски, дает °чень простую иллюстрацию возможностей самоорганизующихся карт Например, [c.31]