1. Mapas Autoorganizados o
Mapas de Kohonen (s2)
Miguel BARRETO
Investigador
MINISTERIO DE
AGRICULTURA Y
DESARROLLO
RURAL
asocaña

2. Bondades de los SOM
Los mapas auto organizados son una herramienta para la visualización
de datos en altas dimensiones. Básicamente SOM produce un grafico de
similaridad de los datos de entrada. Convierte las relaciones estadísticas
no lineales entre datos de alta dimensionalidad en simples relaciones
geométricas en puntos de una imagen en una visualización de baja
dimensionalidad
En contraste con los métodos clásicos, los SOM proporcionan una fácil
visualización, tomando pocas suposiciones y restricciones además es
capaz de manejar grandes grupos de datos y aislar patrones y
estructuras de los datos.
Por estas razones los Self-organizing maps han empezado a ser de gran
interés para en exploración y análisis de datos, data mining también y en
procesos agro-ecológicos.

3. Reducción de dimensionalidad
x
y
t=0
Ejemplos
(Estímulos del espacio de
entrada)
x
y
tfinal
Reducción de dimension

4. Tres dimensiones
z
Ejemplos
(Estímulos del espacio
de entrada)
x
y
Salida
x
x
y
Reducción de dimension
y

5. Tres dimensiones
Ejemplos
(Estímulos del espacio de
entrada)
Salida
z
x
y
x
y
Reducción de dimension

6. Tres dimensiones
Ejemplos
(Estímulos del espacio
de entrada)
Salida
z
x
x
y
y
Reducción de dimension

7. 13 Dimensiones
13 Dimensiones
Atributo
Ganso
Búho
Halcón
Águila
lobo
perro
Lobo
Gato
Tigre
León
Caballo
Cebra
Vaca
Pequeño
(a)
1
1
1
1
1
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
2 patas
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
4 Patas
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
Pelo
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
Pezuñas
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
Crin
0
0
0
0
0
0
0
0
0
1
0
0
1
1
1
0
Plumas
Otros
Pato
Grande
Tiene
Gallina
Mediano
(a)
Es
Paloma
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
Caza
0
0
0
0
1
1
1
1
0
1
1
1
1
0
0
0
Corre
0
0
0
0
0
0
0
0
1
1
0
1
1
1
1
0
Vuela
1
0
0
1
1
1
1
0
0
0
0
0
0
0
0
0
Nada
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
Reducción de dimension
0

8. 13 Dimensiones
Ganso
Pato
Cebra
Vaca
Caballo
Gallina
Paloma
Tigre
Halcón
León
Gato
Lobo
Búho
Perro
Águila
Zorro
Reducción de dimension

9. 13 Dimensiones
Ganso
Pato
Cebra
Vaca
Caballo
Gallina
Paloma
Tigre
Halcón
Gato
Lobo
Búho
Perro
Águila
Zorro
Reducción de dimension
León

10. Procesar información incompleta

11. Calidad de vida en el mundo
Calidad de vida en el mundo
Estadísticas del banco mundial sobre
varios países en el año 1992 fueron
usadas.
39 indicadores fueron tomados
describiendo varios factores de calidad
de vida tales como salud, nutrición,
calida de los servicios públicos, acceso a
la educación etc.
Países que tenían indicadores similares
se ubicaron cerca el uno del otro en el
mapa.
Procesar información incompleta

12. Calidad de vida en el mundo
Países en mayúscula fueron usados
para crear el mapa de Kohonen, algunos
con datos faltantes.
Países en minúscula fueron ubicados
después del entrenamiento del mapa,
algunos con mas de 11 datos faltantes
Procesar información incompleta

13. Calidad de vida en el mundo
che = Suiza
mas de once
datos faltantes
moz =
Mozambique
mas de once
datos faltantes
mex = México
mas de once
datos faltantes
Procesar información incompleta
Calidades de vida
similares en países
de Europa y Japon
Calidades de vida
similares
en países de
Europa del este y
Portugal
Calidades de vida
similares en África

14. Conservación de la topología

15. Doble hélice
Conservación de la topología

16. Visualización

17. Análisis de los mapas
Visualización

18. Ejemplo práctico

19. Características de la base de datos
Título: Iris Plants Database
Fuentes:
(a) Creador: R.A. Fisher
Atributos :
1. Largo del sépalo en cm.
2. Ancho del sépalo en cm.
3. Largo del pétalo en cm.
4. Ancho del pétalo en cm.
5. Clases:
Iris Setosa
Iris Versicolor
Iris Virgínica
Numero de datos: 150 (50 en cada una de las tres clases)
Datos Faltantes : Ninguno
Distribución de las clases: 33.3% para cada una de las tres clases
Ejemplo práctico

20. Iris Plants Database
Iris Setosa
Ejemplo práctico
Iris Versicolor
Iris Virgínica

21. Distribución de clases de iris en América del norte
Iris Setosa
Ejemplo práctico
Iris Versicolor
Iris Virgínica

22. Visualización de los mapas
Ejemplo práctico

23. Visualización de los mapas
Ejemplo práctico

24. Visualización de los mapas
Ejemplo práctico

25. U-matrix
Ejemplo práctico

26. Planos que componen el mapa
Ejemplo práctico

27. Planos que componen el mapa
Ejemplo práctico

28. Planos que componen el mapa
Ejemplo práctico

29. Labels
Ejemplo práctico

30. Labels
Ejemplo práctico

31. Herramientas

32. SOMToolbox
http://www.cis.hut.fi/projects/somtoolbox/
Herramienta elaborada en el laboratorio de Teuvo Kohonen en: The
Laboratory of Computer and Information Science (CIS) en Helsinki
University of Technology.
Es un toobox gratuito, que explota las bondades de Matlab
(visualización, programación etc.).
Esta muy bien documentado y ha sido usado para el desarrollo de
numerosos artículos científicos.
Su utilización es sencilla y posee entornos gráficos que facilitan su uso.
Existe una versión llamada sompack, para uso en línea de comandos que no
necesita el uso de Matlab.
http://www.cis.hut.fi/research/som_lvq_pak.shtml
Herramientas

33. Data bionics ESOM
http://databionic-esom.sourceforge.net/
Esta herramienta al igual que el SOMToolbox permite el entrenamiento,
visualización y análisis de mapas de Kohonen.
Es una herramienta de domino publico elaborada enteramente en JAVA.
Su código fuente esta disponible.
Es una herramienta fácil de usar y totalmente grafica.
Herramientas

34. Practica SOMToolbox
Adiccionar el toolbox a Matlab
>>pathtool
Leer los datos de nuestro archivo
>> sD = som_read_data (‘iris.data');
Preprocesamiento de los datos
>> preprocess(sD)
Normalizacion
>> sD = som_normalize(sD,'var');
Entrenar la red
>> sM = som_make(sD);
Calcular los labels
>> sM = som_autolabel(sM,sD,'vote');
Herramientas/ SOMToolbox

35. Practica SOMToolbox
Visualizar el mapa (U-Matrix) y los planos que lo componen
>> som_show(sM,'umat','all','comp',1:4,'empty','Labels','norm','d');
Colocar los labels
>>som_show_add('label',sM,'subplot',6);
Herramientas/ SOMToolbox

36. Utilizando la ayuda gráfica
Leer los datos de nuestro archivo
>> sD = som_read_data (‘iris.data');
Normalizar
>> sD = som_normalize(sD,'var');
Lanzar la aplicación ajustar parámetros y entrenar
>> som_gui([sD])
Calcular los labels
>> sM = som_autolabel(sM,sD,'vote');
Visualizar el mapa (U-Matrix) y los planos que lo componen
>> som_show(sM,'umat','all','comp',1:4,'empty','Labels','norm','d');
Colocar los labels
>>som_show_add('label',sM,'subplot',6);
Herramientas/ SOMToolbox