Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard.

Ähnliche Präsentationen


Präsentation zum Thema: "Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard."—  Präsentation transkript:

1 Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard

2 Gliederung Theorie Hintergrund Lernverfahren Experimente Attributskalierung Wachstumssteuerung Bewertung Vergleich mit anderen Verfahren Einsatz 2

3 Theorie Hintergrund Lernverfahren 3

4 Theorie Hintergrund Bioinformatik Microarrays Ähnliches Aussehen = Ähnliche Funktion? 4

5 Theorie Lernverfahren n-dimensionale Vektoren mit metrischen Attributen Knoten bilden Clusterzentren Knoten mit größter Varianz wird geteilt 5

6 Theorie Lernverfahren Inputvektor Repräsentant 6 Distanz Lernrate Fehler

7 Theorie Lernverfahren Wurzel Blatt Zuordnung 7

8 Theorie Lernverfahren Ressource / mittlere Abweichung Variability / Spannweite 8

9 Theorie Lernverfahren 9

10 ? 10

11 Theorie Lernverfahren 11 Ancestor / Vorfahre Sister / Schwester

12 Experimente Attributskalierung Fallbeispiel 12

13 Experimente Attributskalierung Parameter in KNIME können das zyklisches Wachsen des Trees beeinflussen: Lerningrates min. variablity und min. ressource nur bei Use variablity berücksichtigt min. Error Distance: Euclid. Oder Cosinus Clustern ohne Zielattribut

14 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 15

16 Bewertung Vergleich mit anderen Verfahren Eigenschaften k-Means Wenige Iterationen Einfaches Verfahren Anfällig für Rauschen / Ausreißer Ergebnis von initialen Zerlegung abhängig 16

17 Bewertung Vergleich mit anderen Verfahren Eigenschaften k-Means Wenige Iterationen Einfaches Verfahren Anfällig für Rauschen / Ausreißer Ergebnis von initialen Zerlegung abhängig Annähernd lineares Laufzeitverhalten Punkt für k-Means Resistent Unabhängig Eigenschaften SOTA 17

18 Bewertung Vergleich mit anderen Verfahren Hierarchisches Clustern Divisiv oder agglomerativ Knoten sind einfache Darstellung der Teilmengen Zwischenschritte sind irreversibel 18

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 19

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 20

21 Bewertung Einsatz Methodisch vielversprechend Erfolge nicht reproduzierbar Mögliche Ursachen Ungeeignete Daten Ungeeignete Parameterjustierung Mangelndes (Aufgaben-)Verständnis Weitere Untersuchung Hintergrundwissen Bioinformatik Microarray-Datensätze wählen 21

22 22

23 Theorie Hintergrund 23

24 Theorie Hintergrund 24


Herunterladen ppt "Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard."

Ähnliche Präsentationen


Google-Anzeigen