RED NEURONAL NO SUPERVISADA DE KOHONEN.

Las redes de kohonenson redes no supervisadas

en 1D o 2D entrenadas con un algoritmo de
entrenamiento del tipo softcompetitivelearning
Tienen la ventaja de que todas las neuronas son
actualizadas en cierta medida. Esto se logra
utilizando una vecindad cambiante con el tiempo
El uso de la vecindad hace que la red respete la
topologa de los datos o estmulos. Es decir,
estmulos similares son mapeadosen neuronas
prximas y estmulos completamente similares son
mapeadosen neuronas distantes
Esto permite utilizar estas redes para extraer
patrones y caractersticas resaltantes en los
estmulos


El algoritmo bsico entrenamiento de una red de
kohonenes:

1.Escoger un estmulo o patrn de entrada X(n)
2.Determinar la neurona ganadora i*
Esta corresponde al ndice i* para el cual

parada
3.Actualizar el vector de pesos sinpticos de la
neurona i* y de todas las neuronas en la
vecindad

utilizando la ecuacin
( ) () ()(() ())


4.Repetir hasta satisfacer la condicin de parada







El cerebro tiene la capacidad de auto-organizarse a
partir de los estmulos recibidos y esto lo logra de
manera no supervisada.

Diferentes estmulos son enviados y procesados
en partes especficas del cerebro. Por ejemplo, un
estmulo visual y otro auditivo sondirigidos a
regiones distintas en el cerebro.


La capacidad de auto-organizacin a partir de los
estmulos es importante porque permite descubrir
patrones o caractersticas importantes.
Esto se logra al observar como los estmulos son
mapeadosen diversas regiones mostrando as las
diferentes caractersticas opatrones presentes


Los algoritmos de entrenamiento no supervisados
pueden ser divididos en dos grandes categoras:
HardCompetitivelearning



Hard Competitive learning

Las neuronas en la red compiten entre si y slo una de
ellas (la neurona ganadora) produce la respuesta al
estmulo.
Durante el entrenamiento slo los pesos sinpticos de la
neurona ganadora se actualizan
No existe interaccin entre neuronas vecinas


Soft Competitive learning

Las neuronas en la red compiten entre si y slo una de
ellas (la neurona ganadora) produce la respuesta al
estmulo.
Durante el entrenamiento los pesos sinpticos de la
neurona ganadora y sus vecinas se actualizan
Existe interaccin entre neuronas vecinas


Mecanismo de Competencia
Consiste bsicamente en considerar una medida
de similitud y buscar la neurona cuyo vector de
pesos sinpticos se asemeja ms al estmulo
presentado a la red.
La medida de similitud usada vara dependiendo de
las aplicaciones y entre las ms usadas se
encuentran:



La distancia Eucldea usual:

(

)





En esta caso la neurona ganadora es aquella para
la cual la distancia es la ms pequea.
Producto interno usual:
(

En esta caso la neurona ganadora es aquella para
la cual la distancia es la ms grande



Este proceso puede ser bastante lento cuando la
cantidad de neuronas es grande.

n mapa de Kohonen es un conjunto de
vectores de dimensin n distribuidos habitualmente
en una retcula bidimensional (aunque nada impide
que se distribuyan en 3 o ms dimensiones). Para
cada vector (al que a veces llamaremos nodo o
neurona) se define unvecindario: cada vector
puede tener 8 vecinos (es decir, una retcula
rectangular) o 6 (retcula hexagonal). Hay razones
tericas para preferir una u otra; mientras que la
ms popular es la rectangular, la hexagonal tiene
una base terica ms slida.

La vecindad tiene otro parmetro: la forma de
la funcin por la que se cambian los valores de los
vectores que hay en ella: una forma tipo gaussiana
(gaussian) hara que el cambio de valores
disminuya con la distancia, mientras que una forma
tipo burbuja (bubble) cambiar de la misma forma
todos los vectores que pertenezcan a la vecindad.
Para entrenar un mapa de Kohonen, primero
hay que tener un conjunto de datos, que se dividir
en tres
conjuntos:entrenamiento, prueba y validacin. El
de entrenamiento servir precisamente para eso, el
de prueba para seleccionar un mapa entre varios, y
el de de validacin, posteriormente, para
establecer el error final, que es el que vale.
Generalmente se entrena el mapa hasta alcanzar
algn criterio, y se establece su error de test o
prueba usando el conjunto correspondiene; esto se
repite durante un nmero predeterminado de
veces, tras los cuales se escoge el mapa con el
error de prueba menor; sobre este mapa se
establecer el error de validacin usando el
conjunto correspondiente. Esta es solo una de las
formas posibles de entrenar un mapa. Para
establecer el error total de un mapa con unos
parmetros determinados, se puede usar otra
metodologa diferente llamada dejar-k-
fuera (leave-k-out): se divide el connunto de datos
en k partes, se usan k-1 para entrenamiento, y una
para prueba; el procedimiento se repite para las k
partes en las que se ha dividido el conjunto de
entrenamiento.