Αυτο-οργανούμενοι Χάρτες Και Συμβολική Αναπαράσταση Γνώσης Με Μορφή Κανόνων

Abstract

Οι αυτο-οργανούμενοι χάρτες (SOM) αποτελούν ένα πολύ δημοφιλές μοντέλο ανάλυσης δεδομένων που χρησιμοποιείται σε εφαρμογές εξόρυξης δεδομένων. Οι αυτο-οργανούμενοι χάρτες έχουν την ιδιότητα να διατηρούν τις τοπολογικές σχέσεις που ισχύουν στο χώρο εισόδου. Έτσι επιτυγχάνεται μείωση των διαστάσεων των δεδομένων και διευκολύνεται κατά πολύ η ανάλυση των δεδομένων. Επίσης, οι αυτο-οργανούμενοι χάρτες έχουν την ιδιότητα να κατηγοριοποιούν τα δεδομένα και προσφέρουν τη δυνατότητα οπτικοποίησης δεδομένων που αλλιώς θα ήταν δύσκολο να μελετηθούν.Οι αυτο-οργανούμενοι χάρτες, όπως και όλοι οι τύποι νευρωνικών δικτύων, δεν προσφέρουν κάποια πληροφορία σχετικά με τη γνώση που αποκτούν κατά την εκπαίδευση τους και συνήθως χρησιμοποιούνται ως "μαύρα κουτιά" χωρίς να εξετάζεται καθόλου ποιες πληροφορίες υπάρχουν τελικά στο εσωτερικό τους. Σε ορισμένες εφαρμογές εξόρυξης δεδομένων όμως αυτό δεν είναι αρκετό. Η αναπαράσταση της γνώσης που βρίσκεται ενσωματωμένη σε ένα νευρωνικό δίκτυο με μορφή λογικών κανόνων είναι μεγάλης σημασίας γιατί έτσι μπορεί να γίνει εύκολα κατανοητή από τους ανθρώπους και να αξιοποιηθεί από τους αναλυτές των δεδομένων. Παρόλη την εφαρμογή και χρησιμότητα των αυτο-οργανούμενων χαρτών στην εξόρυξη δεδομένων η έρευνα για την εξαγωγή γνώσης από νευρωνικά δίκτυα έχει επικεντρωθεί κυρίως σε δίκτυα πρόσθιας τροφοδότησης.Το αντικείμενο της διπλωματικής εργασίας είναι η μελέτη μεθόδων εξαγωγής συμβολικής γνώσης σε μορφή κανόνων από αυτο-οργανούμενους χάρτες. Στα πλαίσια της εργασίας υλοποιήθηκαν δύο μεθοδολογίες που εκμεταλλεύονται την κατηγοριοποίηση που κάνει ένας αυτο-οργανούμενος χάρτης για την παραγωγή κανόνων. Η πρώτη μέθοδος αναζητά συσχετίσεις ανάμεσα στο SOM και τους χάρτες που δημιουργούνται για κάθε μεταβλητή από τα διανύσματα βαρών των νευρώνων και οι συσχετίσεις αυτές μετατρέπονται σε κανόνες. Στη δεύτερη μέθοδο γίνεται ομαδοποίηση των νευρώνων του χάρτη και για κάθε ομάδα δημιουργούνται κανόνες βασισμένοι στις στατιστικές ιδιότητες των νευρώνων που ανήκουν στην ομάδα αυτή.Οι δύο μέθοδοι εφαρμόστηκαν σε τρία πραγματικά σύνολα δεδομένων ώστε να είναι δυνατή η αξιολόγηση και η σύγκριση των αποτελεσμάτων τους. Επίσης, αναπτύχθηκαν μέθοδοι αυτόματου συνδυασμού και αξιολόγησης της εκφραστικής δύναμης των κανόνων. Από τα αποτέλεσμα των εφαρμογών αποδείχθηκε ότι η εξαγωγή κανόνων από αυτο-οργανούμενους χάρτες είναι εφικτή καθώς παράγονται μικρά και απλά σύνολα κανόνων που περιγράφουν τα δεδομένα με πολύ ικανοποιητική ακρίβεια.