Ekisomun modelo neuronal autoorganizativo para minería de datos

Resumen

Hoy en día es muy habitual disponer de gran cantidad de información almacenada en bases de datos, referente a cualquier área de interés, La minería de datos ofrece técnicas para explotar estas bases de datos y extraer la información latente de ellas. El algoritmo auto-organizativo SOM propuesto por Kohonen en 1982, es una red neuronal ampliamente empleada en esta tarea. Este algoritmo ofrece una proyección del espacio de partida a un retículo bidimensional que en la medida de lo posible conserva las relaciones topológicas. Ésta es la característica pricipal que hace destacar al algoritmo frente a otras técnicas estadísticas más convencionales. En cambio, desde el punto de vista de la proyección de la distribución de datos la red neuronal SOM ofrece una opción mejorable; zonas de alta densidad de población suelen ser infra-representadas, mientras que zonas poco pobladas suelen sobre-representarse. Así, en esta memoria de investigación presentamos un nuevo modelo que mejora esta carencia de la red convencional SOM, y que a su vez conserva las características del algoritmo. Para ello, una vez analizada la fase de aprendizaje en la que se forma toda red neuronal, proponemos un cambio en la relación cooperativa de las neuronas. Se ha definido una nueva función de vecindad en la que la relación cooperativa de las neuronas se ajusta dinámicamente de acuerdo con la relación real que exista entre ellas. Por otro lado, se ha detectado que existe confusión a la hora de evaluar las redes auto-organizativas de Kohonen. Por ello, se plantean los aspectos a considerar a la hora de evaluar estas redes. Además, se han definido dos nuevas medidas de bondad que facilitan la tarea de evaluación