O algoritmo SOM, Self-Organized Map, possui a
propriedade de transformar um mapa multidimensional
em bidimensional, adicionando os elementos ao novo
mapa de tal forma que os objetos similares sejam
posicionados próximos uns dos outros.
Apresenta duas importantes características: utiliza
aproximação dos pontos similares onde os mesmos são
processados separadamente e permite ao mapa obter
centros em um plano bidimensional disponibilizando
uma visualização facilmente compreensível. O
principal objetivo de um SOM é o mapeamento não-
linear do conjunto de dados de entrada, mantendo a sua
estrutura topológica, de uma maneira que padrões
adjacentes nos dados sejam associados a neurônios
adjacentes no arranjo do SOM.
Motivação
O algoritmo SOM deve ser utilizado com as
motivações (1) de realizar um agrupamento que utiliza
redes neurais e (2) reduzir a dimensão de um grupo de
dados, conseguindo manter a representação real com
relação as propriedades relevantes dos vetores de
entrada, tendo-se como resultado um conjunto reduzido
das características do espaço de entrada.
Uso
Um mapa de auto-organização (SOM) ou mapa de
recursos de auto-organização (SOFM) é um tipo de
rede neural artificial (RNA) que é treinada usando
aprendizagem não supervisionada para produzir uma
representação discretizada de baixa dimensão
(normalmente bidimensional) do espaço de entrada
das amostras de treinamento, chamado de mapa, e é,
portanto, um método para fazer a redução de
dimensionalidade.
Os mapas auto-organizáveis diferem de outras redes
neurais artificiais, pois aplicam aprendizagem
competitiva em oposição à aprendizagem de correção
de erros (como retropropagação com descida
gradiente) e no sentido de que usam uma função de
vizinhança para preservar as propriedades topológicas
do espaço de entrada.
Universidade de Pernambuco
Escola Politécnica de Pernambuco
Engenharia da computação
Prof. Fernando Buarque
‘Easter-egg’: Self-Organized
Map (SOM)
Aplicações
 Mapas de calor da Bolsa de valores
Mapas auto-organizáveis podem ser usados em mapas
de movimento de mercado. às vezes é necessário ter
um panorama global do mercado e o mapa de calor de
mercado é uma ferramenta muito útil. As ações no
mapa são agrupadas de acordo com setores econômicos
onde a cor atual da ação depende de sua taxa atual de
crescimento (em %).
 Agrupamento de produtos
Um exemplo simples da aplicação de SOM é feito por
um sistema de agrupamento de alimentos onde os
alimentos são agrupados em regiões de semelhança
com base em três parâmetros, que
são proteína, carboidrato e gordura.
Equipe 10:
Estagiários: Ivo Carille, Flávio Oliveira
Visitante: Júlio Taveira
Pós graduandos: Diogo Moraes, Janilton Barbosa
Graduandos: Thiago Porfirio, Yves Gregório
Produzido em 15/03/2021
Como funciona?
O algoritmo de Kohonen ordena os objetos i, frequentemente
organizados em uma grade retangular, atribuindo-os ao vetor
modelo, denominado mi, no espaço multidimensional. Cada
item xk é mapeado para a unidade do mapa ck mais adequada,
conforme a menor distância entre mi e xk definida pela
fórmula [2]: ck = argmin i xk – mi
Este algoritmo utiliza o método de aprendizagem por
competição (competitive learning), considerado o mais
comum nas RNA auto organizáveis, permitindo que aconteça
o aprendizado dividindo-se os padrões de entrada dos dados
em conjuntos inseparáveis. Este método avalia os neurônios
de saída da rede de maneira que ocorra uma competição entre
eles, tendo-se como resultado o neurônio que possui maior
ativação. A rede neural de Kohonen é composta por duas
camadas: a de entrada e de Kohonen. Cada nó da camada de
entrada tem a função de distribuir os valores padrões para a
de Kohonen, que é um conjunto de nodos organizados de
forma tabular. O vetor de entrada possui seus elementos
conectados com cada nó da camada Kohonen por meio de
ligações, as quais são responsáveis por manterem atualizados
os valores durante o processo de treinamento da RNA.
As vantagens da utilização do SOM é que ele pode ser
usado para classificar o input de uma maneira não-
supervisionada, o que é muito útil em vários níveis de
categorização linguística. É um modelo que possui também
fácil visualização e entendimento bastante flexibilidade, é
capaz de representar estruturas hierárquicas implícitas e
modelar aspectos específicos de redes neurais biológicas.
Uma das desvantagens do SOM, é que ele é um algoritmo
dotado de bastante subjetividade nos critérios de formação
de categorias. Outra desvantagem é que oferece resultados
parciais e necessita da análise e interpretação de especialistas
para elucidar as questões levantadas pela formação de
agrupamentos.