Self-Organizing Maps (SOM) – Mapas Autoorganizados (SOM)
Los Self-Organizing Maps (SOM), también conocidos como mapas de Kohonen
Son un tipo de red neuronal no supervisada.
Utilizada para reducir la dimensionalidad.
Para la visualización de datos de alta dimensión.
Introducidos por Teuvo Kohonen en la década de 1980.
Proyectan datos complejos en un espacio de menor dimensión.
En una rejilla bidimensional.
Preservando las relaciones topológicas.
De los datos originales.
Características Principales de Mapas Autoorganizados (SOM)
Red neuronal no supervisada
SOM no requiere etiquetas para los datos de entrada.
Su objetivo es identificar patrones intrínsecos.
Estructuras dentro de los datos.
Proyección dimensional
Reduce datos de alta dimensión a un mapa bidimensional.
De menor dimensión facilita su visualización y análisis.
Preservación de topología
Los datos similares en el espacio de entrada.
Se mapean en regiones cercanas del espacio reducido.
Aprendizaje competitivo
Las neuronas compiten entre sí para representar los datos.
Resulta en una especialización de ciertas neuronas.
Para ciertas regiones del espacio de entrada.
Estructura de un SOM
Capa de entrada
Cada nodo en esta capa representa un vector.
De características de los datos.
Capa de mapa
Consiste en una cuadrícula de nodos (neuronas).
Cada nodo tiene un peso asociado.
Es un vector de la misma dimensión.
Que los datos de entrada.
Pesos
Los pesos conectan la capa de entrada.
Con la capa del mapa.
Se ajustan durante el entrenamiento.
Aproximar los datos de entrada.
Proceso de Entrenamiento
El entrenamiento de un SOM implica los siguientes pasos principales.
Inicialización
Los pesos de las neuronas se inicializan de forma aleatoria.
Basándose en una distribución uniforme.
Dentro del rango de los datos.
Competencia
Para cada vector de entrada.
Se calcula la distancia entre el vector de entrada.
Los pesos de todas las neuronas.
Se selecciona la neurona ganadora (Best Matching Unit, BMU)
Es la más cercana al vector de entrada.
Actualización
Los pesos de la neurona ganadora.
Sus vecinas se ajustan para acercarse al vector de entrada.
La cantidad de ajuste depende de una función de vecindad.
Decrece con la distancia a la neurona ganadora y con el tiempo.
Repetición
El proceso se repite para múltiples iteraciones.
Todos los vectores de entrada.
Con una tasa de aprendizaje que disminuye gradualmente.
Aplicaciones de SOM
Reducción de dimensionalidad
Ayuda a visualizar datos de alta dimensión.
En un espacio bidimensional.
Segmentación de datos
Agrupa datos similares en clústeres.
Útil para análisis de mercados, segmentación de clientes, etc.
Clasificación
Proporciona una forma visual de asignar etiquetas a datos en clústeres.
Detección de anomalías
Identifica datos que no se ajustan bien a los patrones del mapa.
Bioinformática
Análisis de datos genómicos o proteómicos.
Procesamiento de imágenes
Análisis de patrones en imágenes y reducción de ruido.
Ventajas
No supervisado
No requiere etiquetas
Lo hace útil para problemas exploratorios.
Visualización intuitiva
Proporciona representaciones bidimensionales claras.
De datos complejos.
Preservación de relaciones topológicas
Garantiza que los datos similares permanezcan cercanos en el mapa.
Adaptabilidad
Puede ajustarse para diferentes tipos de datos y aplicaciones.
Desventajas
Dificultad en la interpretación
Los resultados pueden ser difíciles de interpretar.
Sin conocimientos específicos.
Escalabilidad
El tiempo de entrenamiento aumenta.
Con grandes conjuntos de datos.
Sensibilidad a hiperparámetros
Los resultados dependen en gran medida de la tasa de aprendizaje.
La función de vecindad y el tamaño del mapa.
No garantiza óptimos globales
Como muchas técnicas de aprendizaje.
Puede quedarse atrapado en óptimos locales.
Ejemplo Práctico
Datos
Supongamos un conjunto de datos de clientes.
Con atributos como edad, ingreso y gasto mensual.
Uso de SOM
Entrenamos un SOM para proyectar estos datos.
En un mapa bidimensional.
Resultado
El mapa muestra regiones donde los clientes se agrupan.
Según características similares.
Ingresos altos o bajo gasto.
Los mapas autoorganizados son herramientas para el análisis exploratorio de datos.
La reducción de dimensionalidad y la agrupación no supervisada.
Su capacidad para preservar la estructura topológica.
Hace que sean ideales para representar relaciones complejas.
En conjuntos de datos de alta dimensión.
Requieren ajustes y experiencia para su implementación efectiva.
