DEF.: Self-Organizing Maps (SOM), auch bekannt als Kohonen-Netzwerke, sind eine Art von künstlichen neuronalen Netzen, die für die Aufgabe des unüberwachten Lernens entwickelt wurden. Sie zeichnen sich durch ihre Fähigkeit aus, hochdimensionale Daten auf eine niedrigdimensionale (typischerweise zweidimensionale), topologieerhaltende Karte zu projizieren. Das bedeutet, dass ähnliche Datenpunkte auf der Karte nahe beieinanderliegen.
Erläuterung: Der Prozess in einem SOM beginnt mit der Initialisierung der Gewichte zufällig. Während des Trainings wird für jeden Datenpunkt der „Gewinner“ oder die am besten passende Einheit (BMU) auf der Karte gefunden. Die Gewichte des BMU und seiner Nachbarn werden dann angepasst, um den Datenpunkt besser zu repräsentieren. Mit der Zeit organisiert sich die Karte selbst so, dass ähnliche Muster nebeneinander abgebildet werden, was eine visuelle Inspektion der Datenstruktur ermöglicht.
Beispiel: Angenommen, ein Einzelhändler möchte Kundenfeedback zu verschiedenen Produkten kategorisieren, um Trends und Muster zu erkennen. Die Feedbacks bestehen aus Textdaten, die hochdimensional sind. Ein SOM könnte verwendet werden, um diese Textdaten auf eine zweidimensionale Karte zu projizieren. Auf dieser Karte würden ähnliche Feedbacks nahe beieinander gruppiert, was es dem Einzelhändler ermöglicht, leicht zu erkennen, welche Arten von Produkten ähnliche Reaktionen hervorrufen.
Vorteile:
- Datenvisualisierung: Ermöglicht die Visualisierung komplexer, hochdimensionaler Daten in einer weitaus verständlicheren Form.
- Mustererkennung: Hilft dabei, Muster, Cluster und Anomalien in den Daten ohne vorherige Kenntnis zu erkennen.
- Feature Mapping: Kann verwendet werden, um die intrinsischen Dimensionen der Daten zu entdecken.
- Flexibilität: Anwendbar auf eine Vielzahl von Datentypen und Domänen.
Zusammenfassung: Self-Organizing Maps bieten eine effektive Methode, um die verborgene Struktur und Muster in hochdimensionalen Daten zu entdecken und zu visualisieren. Durch ihre Fähigkeit, Daten in einer Art Karte zu organisieren, wo ähnliche Elemente nahe beieinander liegen, erleichtern sie die Analyse und Interpretation komplexer Datensätze.