Upload
maxine
View
126
Download
4
Embed Size (px)
DESCRIPTION
Self Organizing Tree Algorithm. Bastian Jarzembinski Enrico Bade Tobias Aagard. Gliederung. Theorie Hintergrund Lernverfahren Experimente Attributskalierung Wachstumssteuerung Bewertung Vergleich mit anderen Verfahren Einsatz. Theorie. Hintergrund Lernverfahren. - PowerPoint PPT Presentation
Citation preview
Self Organizing Tree Algorithm
Bastian JarzembinskiEnrico Bade
Tobias Aagard
2
Gliederung
Theorie Hintergrund Lernverfahren
Experimente Attributskalierung Wachstumssteuerung
Bewertung Vergleich mit anderen Verfahren Einsatz
3
Theorie Hintergrund Lernverfahren
4
Theorie Hintergrund
Bioinformatik Microarrays
Ähnliches Aussehen = Ähnliche Funktion?
5
Theorie Lernverfahren
n-dimensionale Vektoren mit metrischen Attributen
Knoten bilden Clusterzentren Knoten mit größter Varianz wird geteilt
6
Theorie Lernverfahren
Inputvektor
Repräsentant
Distanz
Lernrate
Fehler
7
Theorie LernverfahrenWurzel
Blatt
Zuordnung
8
Theorie Lernverfahren
Ressource /mittlere Abweichung
Variability /Spannweite
9
Theorie Lernverfahren
10
Theorie Lernverfahren
?
11
Theorie Lernverfahren
Ancestor / Vorfahre
Sister / Schwester
12
Experimente Attributskalierung Fallbeispiel
Experimente Attributskalierung Parameter in KNIME können das
zyklisches Wachsen des Treesbeeinflussen: Lerningrates min. variablity und min. ressource
nur bei „Use variablity“ berücksichtigt
min. Error Distance: Euclid. Oder Cosinus
Clustern ohne Zielattribut
Experimente Fallbeispiel IRIS-Datenset
4 Attribute, metrisch skaliert Zielattribut mit 3 Klassen LIVE DEMO
Quantitativer Vergleich zu Klassifikationsalgorithmen i.d.F. k-Means Keine signifikanten Unterschiede
Anwendung des SOTA auf Daten mit und ohne Zielattribut Keine signifikanten Unterschiede
15
Bewertung Vergleich mit anderen Verfahren Einsatz
16
Bewertung Vergleich mit anderen Verfahren Eigenschaften k-Means
Wenige Iterationen Einfaches Verfahren Anfällig für Rauschen / Ausreißer Ergebnis von initialen Zerlegung abhängig
17
Bewertung Vergleich mit anderen Verfahren Eigenschaften k-Means
Wenige Iterationen Einfaches Verfahren Anfällig für Rauschen / Ausreißer Ergebnis von initialen Zerlegung abhängig
Annähernd lineares LaufzeitverhaltenPunkt für k-Means
ResistentUnabhängig
Eigenschaften SOTA
18
Bewertung Vergleich mit anderen Verfahren
Hierarchisches Clustern
Divisiv oder agglomerativ
Knoten sind einfache Darstellung der Teilmengen
Zwischenschritte sind irreversibel
19
Hierarchisches Clustern
Divisiv oder agglomerativ
Knoten sind einfache Darstellung der Teilmengen
Zwischenschritte sind irreversibel
Bewertung Vergleich mit anderen Verfahren
Divisives Verfahren
Knoten sind Mittelwerte sämtlicher folgenden Knoten
Zuordnung wird ständig angepasst
Eigenschaften SOTA
20
Bewertung Vergleich mit anderen Verfahren Self Organizing Map (Kohonen Map)
Ähnliches Verfahren, aber andere Topologie SOM: vorgegebenes Netz, wird bestmöglich an den
Eingaberaum angepasst SOTA: wächst dynamisch, um den Eingaberaum
bestmöglich darzustellen; Hierarchie vorhanden
21
Bewertung Einsatz
Methodisch vielversprechend Erfolge nicht reproduzierbar Mögliche Ursachen
Ungeeignete Daten Ungeeignete Parameterjustierung Mangelndes (Aufgaben-)Verständnis
Weitere Untersuchung Hintergrundwissen Bioinformatik Microarray-Datensätze wählen
22
Fin
23
Theorie Hintergrund
24
Theorie Hintergrund