Скачиваний:
29
Добавлен:
02.05.2014
Размер:
1.73 Mб
Скачать

2.1.3 Кластерный анализ с помощью Карт Кохонена

Для решения задачи кластеризации использовались самоорганизующиеся карты Кохонена с применением нейросетевого пакета SOMap analyzer1.0.

Self-Organizing Maps(SOM) – это самоорганизующиеся структуры, основанные на нейросети Кохонена, которые представлены в виде двухмерной сетки, в узлах которой находятся нейроны.

Структура сети Кохонена представлена на рисунке 3.1. Сеть имеет 10 входов по количеству признаков, по которым ведется кластеризация, и 1 выход, который выдает номер кластера. Сеть однослойная (слой Кохонена). Каждый нейрон слоя Кохонена с помощью своих весовых коэффициентов запоминает координаты ядра кластера и отвечает за отнесение объектов к этому кластеру. Интерпретатор выбирает максимальное значение среди всех выходов и выдает номер этого выхода, который является номером кластера.

Рисунок 2.6 – Структура сети Кохонена

Выборка, состоящая из видеокарт в приложении А. То есть в качестве исходных данных взяты признаки: цена, частота и объем памяти, тип шины, разрядность шины памяти, тактовая частота чипа и другие показатели.

Процесс обучения сети состоит из 5 шагов: выбор источника данных; настройка полей; установка параметров обучения; установка параметров визуализации; обучение (построение) карты.

В качестве источника данных используем созданную обучающую выборку. Параметры обучения, параметры визуализации представлены на рисунке 3.2.

Рисунок 2.7 – Информация о карте

Для построения карт открываем окно с картами по обучающей выборке и выбираем нужные компоненты. Результаты построения представлены на рисунке 2.8 и 2.9.

Рисунок 2.8 – Карты по обучающей выборке

Рисунок 2.9 – Карты по обучающей выборке

В результате анализа карт было выявлено 3 кластера видеокарт:

Таблица 2.5

Характеристика кластеров по признакам

Кластер 1

Кластер 2

Кластер 3

Цена

средний

малый

малый

Объем памяти

большой

средний

средний

Тип шины

средний

средний

средний

Разрядность шины

большой

средний

средний

Частота чипа

большой

средний

средний

Частота памяти

средний

средний

малый

Наличие DVI

большой

большой

большой

Наличие SLI

средний

малый

малый

Наличие TVIn

средний

малый

малый

Наличие TVOut

большой

большой

большой

В таблице приведены значения признаков наиболее характерных для каждого из кластеров. Жирным шрифтом отмечены признаки определяющие принадлежность видеокарты к кластеру.

Статистика по каждому классу в отдельности представлена на следующих рисунках 2.10 – 2.12.

Рисунок 2.10 – Статистика по 1-ому кластеру

Рисунок 2.11 – Статистика по 2-ому кластеру

Рисунок 2.12 – Статистика по 3-ему кластеру

Окно со статистикой показывает следующие статистические показатели:

минимальное значение;

максимальное значение;

среднее значение;

стандартное отклонение (дисперсия);

количество элементов.

На основе проведенного кластерного анализа можно извлечь следующие правила.

1. Если Цена = средняя И Частота памяти = средняя, то Кластер 1.

2. Если Цена = малая И Частота памяти = средняя, то Кластер 2.

3. Если Цена = малая И Частота памяти = малая, то Кластер 3.

Тут вы можете оставить комментарий к выбранному абзацу или сообщить об ошибке.

Оставленные комментарии видны всем.