self organizing tree algorithm bastian jarzembinski enrico bade tobias aagard
TRANSCRIPT
![Page 1: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/1.jpg)
Self Organizing Tree Algorithm
Bastian JarzembinskiEnrico Bade
Tobias Aagard
![Page 2: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/2.jpg)
2
Gliederung
Theorie
Hintergrund
Lernverfahren
Experimente
Attributskalierung
Wachstumssteuerung
Bewertung
Vergleich mit anderen Verfahren
Einsatz
![Page 3: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/3.jpg)
3
Theorie Hintergrund Lernverfahren
![Page 4: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/4.jpg)
4
Theorie Hintergrund
Bioinformatik
Microarrays
Ähnliches Aussehen = Ähnliche Funktion?
![Page 5: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/5.jpg)
5
Theorie Lernverfahren
n-dimensionale Vektoren mit metrischen Attributen
Knoten bilden Clusterzentren
Knoten mit größter Varianz wird geteilt
![Page 6: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/6.jpg)
6
Theorie Lernverfahren
Inputvektor
Repräsentant
Distanz
Lernrate
Fehler
![Page 7: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/7.jpg)
7
Theorie Lernverfahren
Wurzel
Blatt
Zuordnung
![Page 8: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/8.jpg)
8
Theorie Lernverfahren
Ressource /mittlere Abweichung
Variability /Spannweite
![Page 9: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/9.jpg)
9
Theorie Lernverfahren
![Page 10: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/10.jpg)
10
Theorie Lernverfahren
?
![Page 11: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/11.jpg)
11
Theorie Lernverfahren
Ancestor / Vorfahre
Sister / Schwester
![Page 12: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/12.jpg)
12
Experimente Attributskalierung Fallbeispiel
![Page 13: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/13.jpg)
Experimente Attributskalierung
Parameter in KNIME können das zyklisches Wachsen des Treesbeeinflussen:
Lerningrates
min. variablity und min. ressource nur bei „Use variablity“ berücksichtigt
min. Error
Distance: Euclid. Oder Cosinus
Clustern ohne Zielattribut
![Page 14: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/14.jpg)
Experimente Fallbeispiel
IRIS-Datenset
4 Attribute, metrisch skaliert
Zielattribut mit 3 Klassen
LIVE DEMO
Quantitativer Vergleich zu Klassifikationsalgorithmen
i.d.F. k-Means
Keine signifikanten Unterschiede
Anwendung des SOTA auf Daten mit und ohne Zielattribut
Keine signifikanten Unterschiede
![Page 15: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/15.jpg)
15
Bewertung Vergleich mit anderen Verfahren Einsatz
![Page 16: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/16.jpg)
16
Bewertung Vergleich mit anderen Verfahren
Eigenschaften k-Means
Wenige Iterationen
Einfaches Verfahren
Anfällig für Rauschen / Ausreißer
Ergebnis von initialen Zerlegung abhängig
![Page 17: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/17.jpg)
17
Bewertung Vergleich mit anderen Verfahren
Eigenschaften k-Means
Wenige Iterationen
Einfaches Verfahren
Anfällig für Rauschen / Ausreißer
Ergebnis von initialen Zerlegung abhängig
Annähernd lineares Laufzeitverhalten
Punkt für k-Means
Resistent
Unabhängig
Eigenschaften SOTA
![Page 18: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/18.jpg)
18
Bewertung Vergleich mit anderen Verfahren
Hierarchisches Clustern
Divisiv oder agglomerativ
Knoten sind einfache Darstellung der Teilmengen
Zwischenschritte sind irreversibel
![Page 19: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/19.jpg)
19
Hierarchisches Clustern
Divisiv oder agglomerativ
Knoten sind einfache Darstellung der Teilmengen
Zwischenschritte sind irreversibel
Bewertung Vergleich mit anderen Verfahren
Divisives Verfahren
Knoten sind Mittelwerte sämtlicher folgenden Knoten
Zuordnung wird ständig angepasst
Eigenschaften SOTA
![Page 20: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/20.jpg)
20
Bewertung Vergleich mit anderen Verfahren
Self Organizing Map (Kohonen Map)
Ähnliches Verfahren, aber andere Topologie
SOM: vorgegebenes Netz, wird bestmöglich an den Eingaberaum angepasst
SOTA: wächst dynamisch, um den Eingaberaum bestmöglich darzustellen; Hierarchie vorhanden
![Page 21: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/21.jpg)
21
Bewertung Einsatz
Methodisch vielversprechend
Erfolge nicht reproduzierbar
Mögliche Ursachen
Ungeeignete Daten
Ungeeignete Parameterjustierung
Mangelndes (Aufgaben-)Verständnis
Weitere Untersuchung
Hintergrundwissen Bioinformatik
Microarray-Datensätze wählen
![Page 22: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/22.jpg)
22
Fin
![Page 23: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/23.jpg)
23
Theorie Hintergrund
![Page 24: Self Organizing Tree Algorithm Bastian Jarzembinski Enrico Bade Tobias Aagard](https://reader035.vdocuments.net/reader035/viewer/2022062219/55204d7049795902118c1b6d/html5/thumbnails/24.jpg)
24
Theorie Hintergrund