Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Self Organizing Tree Algorithm

Ähnliche Präsentationen


Präsentation zum Thema: "Self Organizing Tree Algorithm"—  Präsentation transkript:

1 Self Organizing Tree Algorithm
Bastian Jarzembinski Enrico Bade Tobias Aagard

2 Gliederung Theorie Experimente Bewertung Hintergrund Lernverfahren
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 Lernverfahren
Wurzel Blatt Zuordnung

8 Theorie Lernverfahren
Variability / Spannweite Ressource / mittlere Abweichung

9 Theorie Lernverfahren

10 Theorie Lernverfahren
?

11 Theorie Lernverfahren
Ancestor / Vorfahre Sister / Schwester

12 Experimente Attributskalierung Fallbeispiel

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 Winner learningrate : Zelle wird neues Blatt (Cluster) Sister learningrate : zelle als schwester Ancestor learningrate: Zelle wird übergeordnet platziert Größenverhältnisse beachten (Win > Ancest > Sist) Min. var: Größe und Granularität des Trees beschränken Min. res: je kleiner desto granulierter werden die Zuordnungen (Epochen pro Zyklus) Dist. Berechnungsfkt. Für die Dist zw. Den Punkten

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 Eigenschaften SOTA Annähernd lineares Laufzeitverhalten Punkt für k-Means Resistent Unabhängig

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

19 Bewertung Vergleich mit anderen Verfahren
Hierarchisches Clustern Divisiv oder agglomerativ Knoten sind einfache Darstellung der Teilmengen Zwischenschritte sind irreversibel Eigenschaften SOTA Divisives Verfahren Knoten sind Mittelwerte sämtlicher folgenden Knoten Zuordnung wird ständig angepasst

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 SOM: vordefinierte Größe für das Netz SOTA: dynamisches Wachstum, unterschiedliche Hierarchiestufen sichbar -> eigentlich besser

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


Herunterladen ppt "Self Organizing Tree Algorithm"

Ähnliche Präsentationen


Google-Anzeigen