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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/22655

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