Classification rules obtained from dynamic self-organizing maps
- Autores
- Hasperué, Waldo; Lanzarini, Laura Cristina
- Año de publicación
- 2006
- Idioma
- inglés
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- La obtención de conocimiento a partir de la información existente es un proceso no trivial que consiste en identificar patrones válidos, novedosos, potencialmente útiles y comprensibles a partir de los datos disponibles. La Minería de Datos es el área de la Informática referida a la aplicación de diferentes métodos para la obtención de patrones y modelos. Una de las soluciones más utilizadas se basa en estrategias adaptativas no supervisadas que permitan clasificar la información disponible. En esta dirección, las redes neuronales competitivas dinámicas han demostrado ser capaces de brindar buenos resultados. Sin embargo, su aplicación en el área de la Minería de Datos se encuentra limitada por su funcionamiento tipo “caja negra” donde resulta complejo justificar el conocimiento adquirido. Este artículo propone una nueva estrategia para obtener reglas de clasificación a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. Dicho método ha sido seleccionado en base a su capacidad para preservar la topología de los datos de entrada, característica fundamental para obtener los hipercubos iniciales adecuados. La estrategia desarrollada en este trabajo combina la capacidad del aprendizaje no supervisado del AVGSOM con información disponible del problema para reducir la dimensión del antecedente de las reglas. El método propuesto ha sido aplicado a tres conjuntos de datos obtenidos del repositorio UCI con resultados muy satisfactorios. En particular, los resultados obtenidos en la clasificación de la base de datos Iris han sido comparados con otros métodos existentes mostrando la superioridad del nuevo método propuesto. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras.
Knowledge discovery from existing information is a non-trivial process that consists in identifying valid, new, potentially useful, and understandable patterns from available data. Data Mining is the area of Computer Sciences which refers to the application of different methods so as to obtain patterns and models. One of the mostly used solutions is based on non-supervised adaptive strategies allowing the classification of available data. Towards this direction, dynamic competitive neural networks have proved to be capable of providing good results. However, their application in the area of Data Mining is constrained due to their “black box” type functioning, in which it is hard to justify the acquired knowledge. This paper proposes a new strategy for obtaining classification rules from a dynamic competitive neural network trained with the AVGSOM method. Such method has been selected for its capacity of preserving input data topology, essential characteristic necessary to obtain the proper initial hypercubes. The strategy developed in this paper combines non-supervised learning of AVGSOM and the information available of the problem in order to reduce the dimension of rule antecedent. The proposed method has been applied to three sets of data obtained from UCI repository with really satisfactory results. In particular, the results obtained in the Iris data base classification have been compared with other existing methods showing the supremacy of the new proposed method. Finally, some of the conclusions as well as some future lines of work are presented.
VII Workshop de Agentes y Sistemas Inteligentes (WASI)
Red de Universidades con Carreras en Informática (RedUNCI) - Materia
-
Ciencias Informáticas
Clustering
mapas auto-organizativos
extracción de reglas
Neural nets
Data mining
self-organizing maps
rule extraction - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/22655
Ver los metadatos del registro completo
id |
SEDICI_b07e71265a025743b0bf070a42b96b25 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/22655 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Classification rules obtained from dynamic self-organizing mapsHasperué, WaldoLanzarini, Laura CristinaCiencias InformáticasClusteringmapas auto-organizativosextracción de reglasNeural netsData miningself-organizing mapsrule extractionLa obtención de conocimiento a partir de la información existente es un proceso no trivial que consiste en identificar patrones válidos, novedosos, potencialmente útiles y comprensibles a partir de los datos disponibles. La Minería de Datos es el área de la Informática referida a la aplicación de diferentes métodos para la obtención de patrones y modelos. Una de las soluciones más utilizadas se basa en estrategias adaptativas no supervisadas que permitan clasificar la información disponible. En esta dirección, las redes neuronales competitivas dinámicas han demostrado ser capaces de brindar buenos resultados. Sin embargo, su aplicación en el área de la Minería de Datos se encuentra limitada por su funcionamiento tipo “caja negra” donde resulta complejo justificar el conocimiento adquirido. Este artículo propone una nueva estrategia para obtener reglas de clasificación a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. Dicho método ha sido seleccionado en base a su capacidad para preservar la topología de los datos de entrada, característica fundamental para obtener los hipercubos iniciales adecuados. La estrategia desarrollada en este trabajo combina la capacidad del aprendizaje no supervisado del AVGSOM con información disponible del problema para reducir la dimensión del antecedente de las reglas. El método propuesto ha sido aplicado a tres conjuntos de datos obtenidos del repositorio UCI con resultados muy satisfactorios. En particular, los resultados obtenidos en la clasificación de la base de datos Iris han sido comparados con otros métodos existentes mostrando la superioridad del nuevo método propuesto. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras.Knowledge discovery from existing information is a non-trivial process that consists in identifying valid, new, potentially useful, and understandable patterns from available data. Data Mining is the area of Computer Sciences which refers to the application of different methods so as to obtain patterns and models. One of the mostly used solutions is based on non-supervised adaptive strategies allowing the classification of available data. Towards this direction, dynamic competitive neural networks have proved to be capable of providing good results. However, their application in the area of Data Mining is constrained due to their “black box” type functioning, in which it is hard to justify the acquired knowledge. This paper proposes a new strategy for obtaining classification rules from a dynamic competitive neural network trained with the AVGSOM method. Such method has been selected for its capacity of preserving input data topology, essential characteristic necessary to obtain the proper initial hypercubes. The strategy developed in this paper combines non-supervised learning of AVGSOM and the information available of the problem in order to reduce the dimension of rule antecedent. The proposed method has been applied to three sets of data obtained from UCI repository with really satisfactory results. In particular, the results obtained in the Iris data base classification have been compared with other existing methods showing the supremacy of the new proposed method. Finally, some of the conclusions as well as some future lines of work are presented.VII Workshop de Agentes y Sistemas Inteligentes (WASI)Red de Universidades con Carreras en Informática (RedUNCI)2006-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1220-1230http://sedici.unlp.edu.ar/handle/10915/22655enginfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:27:57Zoai:sedici.unlp.edu.ar:10915/22655Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:27:57.793SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Classification rules obtained from dynamic self-organizing maps |
title |
Classification rules obtained from dynamic self-organizing maps |
spellingShingle |
Classification rules obtained from dynamic self-organizing maps Hasperué, Waldo Ciencias Informáticas Clustering mapas auto-organizativos extracción de reglas Neural nets Data mining self-organizing maps rule extraction |
title_short |
Classification rules obtained from dynamic self-organizing maps |
title_full |
Classification rules obtained from dynamic self-organizing maps |
title_fullStr |
Classification rules obtained from dynamic self-organizing maps |
title_full_unstemmed |
Classification rules obtained from dynamic self-organizing maps |
title_sort |
Classification rules obtained from dynamic self-organizing maps |
dc.creator.none.fl_str_mv |
Hasperué, Waldo Lanzarini, Laura Cristina |
author |
Hasperué, Waldo |
author_facet |
Hasperué, Waldo Lanzarini, Laura Cristina |
author_role |
author |
author2 |
Lanzarini, Laura Cristina |
author2_role |
author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Clustering mapas auto-organizativos extracción de reglas Neural nets Data mining self-organizing maps rule extraction |
topic |
Ciencias Informáticas Clustering mapas auto-organizativos extracción de reglas Neural nets Data mining self-organizing maps rule extraction |
dc.description.none.fl_txt_mv |
La obtención de conocimiento a partir de la información existente es un proceso no trivial que consiste en identificar patrones válidos, novedosos, potencialmente útiles y comprensibles a partir de los datos disponibles. La Minería de Datos es el área de la Informática referida a la aplicación de diferentes métodos para la obtención de patrones y modelos. Una de las soluciones más utilizadas se basa en estrategias adaptativas no supervisadas que permitan clasificar la información disponible. En esta dirección, las redes neuronales competitivas dinámicas han demostrado ser capaces de brindar buenos resultados. Sin embargo, su aplicación en el área de la Minería de Datos se encuentra limitada por su funcionamiento tipo “caja negra” donde resulta complejo justificar el conocimiento adquirido. Este artículo propone una nueva estrategia para obtener reglas de clasificación a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. Dicho método ha sido seleccionado en base a su capacidad para preservar la topología de los datos de entrada, característica fundamental para obtener los hipercubos iniciales adecuados. La estrategia desarrollada en este trabajo combina la capacidad del aprendizaje no supervisado del AVGSOM con información disponible del problema para reducir la dimensión del antecedente de las reglas. El método propuesto ha sido aplicado a tres conjuntos de datos obtenidos del repositorio UCI con resultados muy satisfactorios. En particular, los resultados obtenidos en la clasificación de la base de datos Iris han sido comparados con otros métodos existentes mostrando la superioridad del nuevo método propuesto. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras. Knowledge discovery from existing information is a non-trivial process that consists in identifying valid, new, potentially useful, and understandable patterns from available data. Data Mining is the area of Computer Sciences which refers to the application of different methods so as to obtain patterns and models. One of the mostly used solutions is based on non-supervised adaptive strategies allowing the classification of available data. Towards this direction, dynamic competitive neural networks have proved to be capable of providing good results. However, their application in the area of Data Mining is constrained due to their “black box” type functioning, in which it is hard to justify the acquired knowledge. This paper proposes a new strategy for obtaining classification rules from a dynamic competitive neural network trained with the AVGSOM method. Such method has been selected for its capacity of preserving input data topology, essential characteristic necessary to obtain the proper initial hypercubes. The strategy developed in this paper combines non-supervised learning of AVGSOM and the information available of the problem in order to reduce the dimension of rule antecedent. The proposed method has been applied to three sets of data obtained from UCI repository with really satisfactory results. In particular, the results obtained in the Iris data base classification have been compared with other existing methods showing the supremacy of the new proposed method. Finally, some of the conclusions as well as some future lines of work are presented. VII Workshop de Agentes y Sistemas Inteligentes (WASI) Red de Universidades con Carreras en Informática (RedUNCI) |
description |
La obtención de conocimiento a partir de la información existente es un proceso no trivial que consiste en identificar patrones válidos, novedosos, potencialmente útiles y comprensibles a partir de los datos disponibles. La Minería de Datos es el área de la Informática referida a la aplicación de diferentes métodos para la obtención de patrones y modelos. Una de las soluciones más utilizadas se basa en estrategias adaptativas no supervisadas que permitan clasificar la información disponible. En esta dirección, las redes neuronales competitivas dinámicas han demostrado ser capaces de brindar buenos resultados. Sin embargo, su aplicación en el área de la Minería de Datos se encuentra limitada por su funcionamiento tipo “caja negra” donde resulta complejo justificar el conocimiento adquirido. Este artículo propone una nueva estrategia para obtener reglas de clasificación a partir de una red neuronal competitiva dinámica entrenada con el método AVGSOM. Dicho método ha sido seleccionado en base a su capacidad para preservar la topología de los datos de entrada, característica fundamental para obtener los hipercubos iniciales adecuados. La estrategia desarrollada en este trabajo combina la capacidad del aprendizaje no supervisado del AVGSOM con información disponible del problema para reducir la dimensión del antecedente de las reglas. El método propuesto ha sido aplicado a tres conjuntos de datos obtenidos del repositorio UCI con resultados muy satisfactorios. En particular, los resultados obtenidos en la clasificación de la base de datos Iris han sido comparados con otros métodos existentes mostrando la superioridad del nuevo método propuesto. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras. |
publishDate |
2006 |
dc.date.none.fl_str_mv |
2006-10 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/22655 |
url |
http://sedici.unlp.edu.ar/handle/10915/22655 |
dc.language.none.fl_str_mv |
eng |
language |
eng |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5) |
dc.format.none.fl_str_mv |
application/pdf 1220-1230 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1842260117897084928 |
score |
13.13397 |