以数据文件“马克威通用数据1.mkw”为例,演示Kohonen神经网络算法的操作。其中数据记录了准三维空间的1099个点,试用Kohonen算法对这些点进行分析。首先,在工作区内,打开建模分析工作流:“机器学习”→“神经网络”→“Kohonen神经网络”,接着选择模型的训练或应用,然后选择数据源,并设置算法参数,最后双击运行按钮。具体的操作如下:
(1)模型训练
选择模型任务为“训练”,调整模型最大学习率为0.4,最小学习率为0.01,最大聚类个数为5个(用户可自行更改),最大迭代次数为100,字段选择为“年龄”、“浏览次数”、“购买总额”、“用户评价”,并要求显示聚类信息,如下图所示:
Kohonen神经网络-属性设置选项说明
变量选择:选择建模的变量。
模型设置:设置模型的各种参数:
最大聚类个数:即设置最后聚成几类。
学习速率:用于控制训练的精度和训练的时间。分别要设置最大学习速率和最小学习速率。每次迭代过程学习速率应控制在这个范围之间。系统默认最大学习速率为0.4,最小学习速率为0.01。
任务设置:控制算法的运行:
最长运行时间:指定该算法运行的最长时间,如果运算的时间达到该指定时间时则强制跳出,并认为该算法失败,不输出运算结果。在该下拉列表中,系统提供了以下八种设置:10分钟、1小时、2小时、7小时、1天、2天、7天和不限时。其中“不限时”为系统默认项。
最大迭代次数:用于控制计算。当算法迭代到最大迭代次数时,如果此时算法未收敛,则跳出循环。
模型保存:设置模型的保存路径。
双击“运行”节点开始训练过程,得到模型结果如下:
Kohonen神经网络-树形结果列表 Kohonen神经网络聚类表(2)模型应用
完成模型训练后,可以应用模型对数据进行分析。在“模型任务”栏选择“应用”,并选择模型来源,将模型变量与数据变量进行匹配,如下图:
Kohonen神经网络-属性设置选项说明
模型来源:选择训练得到的模型,以进行预测应用。
变量设置:匹配模型中的变量和数据源中的变量。当加载模型文件后,系统会自动根据数据文件和模型文件进行同名匹配。用户也可以根据实际的需要,自定义匹配变量。
应用模型后,得到预测结果如下:
Kohonen神经网络-树形结果列表 Kohonen神经网络聚类表输入要求:数值型,不能是布尔型和描述型。
Kohonen网络是自组织竞争型神经网络的一种,该网络为无监督学习网络,能够识别环境特征并自动聚类。
Kohonen网络(该网络由芬兰学者Kohonen提出)也是一种竞争学习网络,该网络输出层的各神经元相互连接,当一个神经元接受样本输入时,其周围的神经元也会产生不同的响应,然后通过这些响应产生胜利者。
自组织映射网络(kohonen)结构见下图所示,图中上层为输出层,假定有个节点,输出层中的节点是以二维形式排成一个节点矩阵,输出节点之间也可能实现局部连接,它们中的每个节点是一个输入样本的代表。输入层处于下方,若输入向量为维,那么输入节点有个,输入节点与输出层的所有节点通过权值实现全互联。在输出层竞争是这样进行的,对于获胜的节点,在其周围区域内的节点在不同的程度上得到兴奋,而在区域以外的节点都被抑制,这个趋于可以是正方形也可以是六角形,如图所示。区域是时间的函数,随着的增加,的面积成比例缩小,最后剩下一个节点,或一组节点,它们反映一类样本的属性。自组织映射网络为一个无教师指导的、自适应、自组织的网络。
Kohonen 网络结构对于任意一个输入节点和输出节点有:
的形状变化情况
自组织映射学习算法:假定共有个输入模式,对于某个输入模式通过竞争,逐渐收敛到样本空间所划分的个子集的中心。当某一模式输入时,对某一输出节点给予最大的刺激,以指示该类模式的所属区域,而同时对获胜周围的一些节点给予较大的刺激。当另一输入模式输入时,获胜区域移到其它区域。
在训练过程中定义获胜节点的邻域为,表示在时刻以节点为中心的某一半径内的所有节点,随着训练过程的进行的半径将逐渐缩小,最后只剩本身。即在初始阶段不但对获胜节点调整权值,也对其周围节点调整权值,直到最后仅对调整权值。保证对于某一类输入模式,获胜节点做出最大的响应,而相邻节点做出较大的响应。几何上相邻的节点代表特征相近的模式。Kohonen网络的具体算法为:
① 连接权值的初始化。
② 对网络输入一个样本模式。
③ 计算与全部输出节点间的权值向量的距离
④ 选择有最小距离的节点为竞争获胜节点
⑤ 调整权值
其中,为,增益函数,随着时间而递减。限界函数,随着距离递减。
⑥ 若还有输入样本则转②,当所有的样本输入完,且满足:
或者完成指定的学习次数后算法结束,否则转②。
和没有一般化数学方法,凭经验选取。初始时,选取较大,后逐渐变小,开始时较大,后逐渐变为0。
输出结果:
Kohonen神经网络权值表:列出神经网络的权值。
Kohonen神经网络聚类表:列出每条记录所属类别。
订购用户 | 订购时间 | 年限 | 运行环境 | 版本 |
1786****815 | 2023-03-10 14:06:42 | 1年 | Windows | 单机版 |
1802****512 | 2021-04-26 13:30:45 | 1年 | Windows | 单机版 |
1371****011 | 2020-09-30 21:22:13 | 1年 | Windows | 单机版 |
1801****427 | 2019-02-18 19:07:33 | 1年 | Windows | 单机版 |
1864****834 | 2018-09-25 15:44:55 | 1年 | Windows | 单机版 |
1811****398 | 2018-07-23 13:07:48 | 1年 | Windows | 单机版 |
1580****630 | 2018-07-17 10:05:56 | 1年 | Windows | 单机版 |
1832****368 | 2018-06-28 14:41:39 | 1年 | Windows | 单机版 |
1563****947 | 2018-06-06 10:33:35 | 1年 | Windows | 单机版 |
1801****513 | 2018-04-07 13:53:02 | 1年 | Windows | 单机版 |