As propriedades que podem ser configuradas para o algoritmo Mapas de auto-organização HANA.
Um mapa de auto-organização (SOM) ou mapa de recurso de auto-organização (SOFM) é um tipo de rede neural artificial com treinamento utilizando aprendizagem não supervisionada para produzir representação discreta com dimensão baixa (geralmente duas dimensões) do espaço da entrada das amostras de treinamento, chamada mapa. Os mapas de auto-organização são diferentes de outras redes neurais artificiais no sentido de que usam uma função de vizinhança para preservar as propriedades topológicas do espaço de entrada.
Isso torna os SOMs úteis para exibir visões de dimensão baixa de dados de dimensão alta, aparentando escalamento multidimensional. O modelo foi primeiramente descrito como uma rede neural artificial pelo professor finlandês Teuvo Kohonen, e algumas vezes é chamado de mapa Kohonen. Como a maioria das redes neurais artificiais, os SOMs funcionam de dois modos: treinamento e mapeamento. O treinamento cria o mapa usando exemplos de entrada. É um processo competitivo, também chamado quantização de vetor. O mapeamento automaticamente classifica um novo vetor de entrada.
A abordagem SOM tem muitas aplicações como virtualização, clustering de documento da Web e reconhecimento de voz.
| Propriedade | Descrição |
|---|---|
| Altura do mapa | Insira a altura do mapa. O valor predeterminado é 5. |
| Largura do mapa | Insira a largura do mapa. O valor predeterminado é 5. |
| Alfa | Insira um valor para a taxa de aprendizagem. O valor predeterminado é 0,5. |
| Forma do mapa | Selecione a forma do mapa. |
| Recursos | Selecione as colunas de entrada com as quais você deseja executar a análise. |
| Calcular silhueta | Selecionar essa opção para calcular valores de silhueta. Silhueta significa a qualidade de clustering. O valor 1 de silhueta significa que o clustering é bom enquanto o valor 0 significa que o clustering é ruim. |
| Nome do cluster | Insira um nome para a nova coluna que contenha os números do cluster para o conjunto de dados informado. |
| Valores em falta | Selecione o método para manipulação dos valores em falta. Possíveis métodos:
|
| Tipo de normalização | Selecione o tipo de normalização. Tipos possíveis:
|
| Propagação aleatória | Insira um número aleatório que deseja utilizar para executar o cálculo. Se você inserir -1, o algoritmo selecionará um número aleatório para cálculo. O valor predeterminado é -1. |
| Iterações máximas | Insira o número de iterações que você quer que o algoritmo use para localizar os clusters. O valor predeterminado é 100. |
| Número de threads | Insira o número de threads que o algoritmo deve usar durante a execução. O valor predeterminado é 2. |