Um Algoritmo de Mapa Auto-Organizável por Lote Baseado em Distâncias Adaptativas

• Luciano D. S. Pacífico UFPE
• Francisco de A. T. de Carvalho UFPE

Resumo

Métodos de agrupamento visam organizar um conjunto de itens em grupos de tal forma que itens de um dado grupo possuam um alto grau de similaridade, enquanto itens em grupos diferentes possuam um alto grau de dissimilaridade. O mapa auto-organizável (self-organizing map, SOM) é uma rede neural não-supervisionada de aprendizado competitivo que possui propriedades de agrupamento e de redução da dimensionalidade, usando uma função de vizinhança para descobrir a estrutura topológica escondida no conjunto de dados. Neste artigo, nós introduzimos um mapa auto-organizável por lote baseado em distâncias adaptativas (ABSOM). Resultados experimentais obtidos em bases de dados benchmark mostram a efetividade de nossa abordagem.

Referências

Bezdek, J. C. (1981). Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum Press.

Diday, E. and Govaert, G. (1977). Classification automatique avec distances adaptatives. Informatique Comput. Sci., 11(4):329-349.

Diday, E. and Simon, J. C. (1976). Clustering Analysis. Germany: Springer-Verlag.

Everitt, B. (2001). Cluster Analysis. New York: Halsted.

F. Badran, M. Y. and Thiria, S. (2005). Self-Organizing Maps and Unsupervised Classification. in: Neural Networks: methodology and applications, G. Dreyfus, Berlin, Germany: Springer-Verlag.

Frank, A. and Asuncion, A. (2011). UCI Machine Learning Repository. Disponível: [link].

Gordon, A. D. (1999). Classification. Boca Raton, FL: CRC Press.

Hubert, L. and Arabie, P. (1985). Comparing partitions. Journal of Classification, 2:193-218.

J. A. Kangas, T. K. K. and Laaksonen, J. T. (1990). Variants of self-organizing maps. IEEE Transactions on Neural Networks, 1(1):93-99.

Jain, A., Murty, M., and Flynn, P. (1999). Data clustering: A review. ACM Comput. Surv., 31(3):264-323.

Kohonen, T. (1995). Self-Organisation Maps. Berlin: Springer.

L. Breiman, J. Friedman, C. J. S. and Olshen, R. A. (1984). Classification and Regression Trees. Chapman and Hall/CRC, Boca Raton.

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proc. of the Fifth Berkeley Symposium on Math., Stat. and Prob., 1:281–296.

Milligan, G. W. (1996). Clustering Validation: Results and Implications for Applied Analysis. Word Scientific.

Spaeth, H. (1980). Cluster Analysis Algorithms. New York: Wiley.

Theodoris, S. and Koutroumbas, K. (2006). Pattern Recognition. Academic Press, 3a edition.

van Rijsbergen, C. J. (1979). Information Retrieval. London: Butterworths.