الوصف
خريطة التنظيم الذاتي (SOM)، والمعروفة أيضًا باسم خريطة الميزات ذاتية التنظيم (SOFM) أو خريطة كوهونن، هي تقنية تعلم آلي غير خاضعة للإشراف قوية مصممة لتقليل الأبعاد وتصور البيانات. تقوم بتحويل بيانات الإدخال عالية الأبعاد إلى تمثيل منخفض الأبعاد، عادةً شبكة ثنائية الأبعاد، مع الحفاظ بشكل حاسم على العلاقات الطوبولوجية الموجودة في البيانات الأصلية. هذا يعني أن نقاط البيانات المتشابهة في الفضاء عالي الأبعاد سيتم تعيينها إلى مواقع قريبة على الخريطة منخفضة الأبعاد، وسيتم تعيين النقاط غير المتشابهة إلى مسافات أبعد.
الهدف الأساسي لـ SOM هو إنشاء "خريطة" سهلة التفسير للبيانات المعقدة. على سبيل المثال، يمكن تمثيل مجموعة بيانات تحتوي على العديد من المتغيرات المقاسة عبر العديد من الملاحظات كمجموعات على شبكة ثنائية الأبعاد. تتوافق كل مجموعة على الخريطة مع مجموعة من الملاحظات ذات القيم المتشابهة عبر المتغيرات الأصلية. يسهل هذا التصور تحديد الأنماط والمجموعات والعلاقات التي قد تكون مخفية في البيانات الخام عالية الأبعاد.
على عكس العديد من الشبكات العصبية الاصطناعية الأخرى التي تستخدم تعلم تصحيح الأخطاء مثل الانتشار الخلفي، يتم تدريب خرائط SOM باستخدام نهج التعلم التنافسي. تتضمن هذه الطريقة تعديل "الأوزان" لعقد الشبكة (الخلايا العصبية) بشكل تكراري لتمثيل بيانات الإدخال بشكل أفضل. تتضمن عملية التدريب تقديم متجهات الإدخال إلى الشبكة، وتحديد "الوحدة المطابقة الأفضل" (BMU) - وهي العقدة التي تكون أوزانها الأكثر تشابهًا مع الإدخال - ثم تحديث أوزان BMU وعقدها المجاورة على الشبكة. يتم تكرار هذه العملية عدة مرات، مما يؤدي إلى تقريب الخريطة تدريجيًا لتوزيع وطوبولوجيا بيانات الإدخال.
كانت خريطة التنظيم الذاتي (SOM) رائدة من قبل الأستاذ الفنلندي تيفو كوهونن في الثمانينيات، مستوحاة من النماذج البيولوجية للأنظمة العصبية والتشكل. إن قدرتها على إنشاء خرائط دلالية حيث يتم تجميع نقاط البيانات المتشابهة معًا تجعلها لا تقدر بثمن لتحليل البيانات الاستكشافي، والتعرف على الأنماط، وتجميع البيانات عبر مختلف المجالات العلمية والصناعية. يمكن تفسير خريطة SOM المدربة عن طريق تصور مصفوفة U (U-Matrix)، التي تعرض المسافات بين العقد المجاورة، وتسلط الضوء على حدود المجموعات، أو عن طريق اعتبار أوزان العقدة كمؤشرات لمساحة الإدخال، مما يشير إلى مناطق تركيز البيانات العالية.
تشمل التطبيقات الرئيسية لخرائط SOM التحليل المالي، وتفسير البيانات الزلزالية، وتحديد أولويات المشاريع، وإيجاد نقاط بيانات تمثيلية في مجموعات البيانات الكبيرة. تسمح مرونتها بالتعامل مع أنواع مختلفة من البيانات طالما يمكن تعريف مقياس مسافة مناسب. تدور خيارات التصميم الأساسية للخوارزمية حول شكل الشبكة، ووظيفة الجوار، وجدول معدل التعلم، وكلها تؤثر على بنية الخريطة النهائية ودقتها.
أبرز ملامح خريطة التنظيم الذاتي
تقنية تعلم آلي غير خاضعة للإشراف
تقليل الأبعاد
الحفاظ على البنية الطوبولوجية للبيانات
إنشاء تمثيل منخفض الأبعاد (عادةً ثنائي الأبعاد)
استخدام التعلم التنافسي للتدريب
تحديد المجموعات والأنماط في البيانات
تصور البيانات عالية الأبعاد
عقد (خلايا عصبية) مرتبة في شبكة (سداسية أو مستطيلة)
متجهات الأوزان المرتبطة بكل عقدة
تحديد الوحدة المطابقة الأفضل (BMU)
وظيفة الجوار لتحديث الأوزان
معامل تعلم يتناقص بشكل رتيب
يمكن تمثيل كائنات رقمية مختلفة بمقاييس المسافة
البدء مع خريطة التنظيم الذاتي
تهيئة متجهات أوزان العقد عشوائيًا أو باستخدام المكونات الرئيسية.
التكرار عبر عصور التدريب، وتقديم متجهات بيانات الإدخال.
لكل متجه إدخال، ابحث عن الوحدة المطابقة الأفضل (BMU).
تحديث أوزان BMU وجيرانها.
تقليل معدل التعلم وحجم الجوار تدريجيًا.
التكرار حتى التقارب أو عدد محدد من التكرارات.
تعيين بيانات إدخال جديدة عن طريق إيجاد أقرب BMU على الخريطة المدربة.
حالات استخدام خريطة التنظيم الذاتي
- تصور البيانات
- التجميع
- تقليل الأبعاد
- التعرف على الأنماط
- تحليل البيانات الاستكشافي
- استخراج الميزات
- اكتشاف الشذوذ
- التعيين الدلالي
