Redes Som Y Reducción De Dimensiones

Uso de redes SOM (self organizing map)
Durante los experimentos de selección o transformación de características para la reducción de las mismas, se están usando redes SOM para observar el comportamiento de como quedan distribuidas las clases dentro de la red SOM, así como los desempeños de clasificar correctamente a las muestras.
Todas las redes SOM utilizadas tienen las mismas característicasque se describen en la tabla 1. Estas redes son utilizadas dentro del ambiente de matlab usando la función nctool, la cual por default tiene alguno de los parámetros listados en la tabla 1. También se listan algunas variables del equipo usado que afectan el tiempo de entrenamiento de la red
Tabla 1: Parámetros para la red SOM
Topología | Hextop, es decir vecindad hexagonal entre las neuronas |Función para la distancia entre neuronas | Linkdist |
Tamaño | 36 neuronas, formando una capa de 6x6 |
Iteraciones | 200 |
Tipo de entrenamiento limite | Sin limite |
CPU | Intel Dual CPU E2180 a 2GH |
Memoria RAM | 3.24 Gb |
Disco Duro | 150 Gb de almacenamiento y 8000 revoluciones por minuto |

Como resultado de entrenar una red, se obtienen los siguientes resultados:
* Unmapa de distancias entre las neuronas de cada característica del conjunto de datos.
* Mapa de distancias entre las neuronas considerando el total de las características del conjunto de datos.
* Un mapa y su respectiva matriz con la cantidad de muestras ganadas por cada neurona.
En los mapas resultantes las neuronas se numeran empezando por la 1 en la parte inferior izquierda y se continúahacia la derecha, al terminar el renglón de neuronas, la numeración continua por la izquierda en el siguiente renglón superior. Lo anterior se ilustra en la figura 1.

Figura 1: Numeración de la neuronas según su posición dentro del red.

Una vez obtenidos los resultados usamos matriz que contiene la pertenencia de las muestras de entrada a las neuronas de la red. De ahí obtenemos una tablaque contiene una relación entre las neuronas y clases. Para determinar la clase que representa una neurona, se obtiene la cantidad de muestras de cada clase en una neurona y la clase que mas muestras tenga en dicha neurona será representada por esa neurona.
Una vez que se tiene la forma de clasificar en clases las muestras, se obtiene la matriz de confusión para visualizar el desempeño total y porclase.
Para tener un punto de comparación al usar las técnicas de reducción de dimensiones, primero se entrenó una red y se obtuvo una clasificación de las muestras, usando el total de las características de los datos originales. En cada prueba se usaran 3 tipos de conjunto de datos, cuya diferencia es la cantidad de muestras. Estos grupos de datos están constituidos como se muestra en la tabla1, 2 y 3.

Tabla 1: Muestras por clase del grupo de datos 1
Clase | Total de muestras |
Polvo | 4272 |
Agua | 4272 |
Tierra firme | 4272 |
Nubes sobre tierra | 4272 |
Nubes sobre agua | 4272 |
Total de muestras | 21360 |

Tabla 2: Muestras por clase del grupo de datos 1
Clase | Total de muestras |
Polvo | 4272 |
Agua | 17332 |
Tierra firme | 57857 |
Nubes sobre tierra |64977 |
Nubes sobre agua | 15423 |
Total de muestras | 159861 |
Tabla 3: Muestras por clase del grupo de datos 1
Clase | Total de muestras |
Polvo | 1068 |
Agua | 1068 |
Tierra firme | 1068 |
Nubes sobre tierra | 1068 |
Nubes sobre agua | 1068 |
Total de muestras | 1068 |

Resultados de la clasificación usando SOM con el total de dimensiones disponibles.

Usando los datosdel grupo 1 se tuvo un tiempo de entrenamiento de la red 24 minutos con 25 segundos.

| polvo | polvo sobre agua | Agua | Tierra firme | Nubes sobre tierra | Nubes sobre agua | Total de muestras por clase |
polvo | 2652 | 0 | 0 | 1288 | 0 | 332 | 4272 |
polvo sobre agua | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Agua | 0 | 0 | 17305 | 22 | 0 | 5 | 17332 |
Tierra firme | 36 | 0 | 556 | 57265 | 0 | 0...