首頁
» 分析方法 » Kohonen自組織映射圖
此方法為人工類神經網路(artificial neural network)的一種分群方法，
使用鄰近函數(neighborhood function)的概念來降低資料的維度(通常降至二維)，
且透過視覺化的效果可藉由低維度的圖形來了解高維度的資料結構，是由芬蘭的Kohonen教授所提出，故又稱 Kohonen 映射。
分群模式-方法簡介
本方法使用之R相關套件與參考文獻：
相關套件：stats、base、SOMbrero、wordcloud、knitr、shiny
參考文獻(依套件名稱排序)：
分群模式-方法簡介
本方法使用之R相關套件與參考文獻：
相關套件：stats、base、SOMbrero、wordcloud、knitr、shiny
參考文獻(依套件名稱排序)：
- R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL：http://www.R-project.org/.
- Villa-Vialaneix N., Bendhaiba L., Olteanu M. (2013) SOMbrero: SOM Bound to Realize Euclidean and Relational Outputs. R package version 0.4-1.
- Ian Fellows (2013). wordcloud: Word Clouds. R package version 2.4. URL： http://CRAN.R-project.org/package=wordcloud
- Yihui Xie (2013). knitr: A general-purpose package for dynamic report generation in R. R package version 1.5.
- Yihui Xie (2013) Dynamic Documents with R and knitr. Chapman and Hall/CRC. ISBN 978-1482203530
- RStudio and Inc. (2013). shiny: Web Application Framework for R. R package version 0.8.0. URL： http://CRAN.R-project.org/package=shiny
範例F-6：
鳶尾花(iris)資料，最早由英國統計學家費雪(R. A. Fisher, 1890 – 1962)用於多變量分析(multivariate analysis)中的判別分析(discriminant analysis)，故常稱為費雪鳶尾花資料。此資料是由美國植物學家安德生(E. S. Anderson, 1897 – 1969)所收集，故也稱為安德生鳶尾花資料。此資料記錄了鳶尾花三個亞種及其特徵，三亞種分別為山鳶尾(setosa)、變色鳶尾(versicolor)及維吉尼亞鳶尾(virginica)，花的特徵則包含花萼(sepal)與花瓣(petal)的長度與寬度。
表：鳶尾花資料
Q1：資料中記錄有花萼與花瓣的長度與寬度以及花的亞種，植物學家想了解，若記錄的資料中僅有花的特徵(花萼與花瓣的長度與寬度)，能否以此資料分辨出花的亞種數目?
統計方法：問題中想利用花萼與花瓣的長度與寬度來了解該花種的亞種數目，而亞種個數為未知，故適合使用具有分群能力的分析方法。具有分群能力的方法歸類於集群分析(clustering analysis)中，以下列出適用於此鳶尾花資料的方法，使用者可比較在相同的目的下，不同分析方法所獲得結果的差異性。
[重新分析]
鳶尾花(iris)資料，最早由英國統計學家費雪(R. A. Fisher, 1890 – 1962)用於多變量分析(multivariate analysis)中的判別分析(discriminant analysis)，故常稱為費雪鳶尾花資料。此資料是由美國植物學家安德生(E. S. Anderson, 1897 – 1969)所收集，故也稱為安德生鳶尾花資料。此資料記錄了鳶尾花三個亞種及其特徵，三亞種分別為山鳶尾(setosa)、變色鳶尾(versicolor)及維吉尼亞鳶尾(virginica)，花的特徵則包含花萼(sepal)與花瓣(petal)的長度與寬度。
表：鳶尾花資料
| 變數名稱 | 花萼長度 | 花萼寬度 | 花瓣長度 | 花瓣寬度 | 品種 |
| 1 | 5.1 | 3.5 | 1.4 | 0.2 | setosa |
| 2 | 4.9 | 3.0 | 1.4 | 0.2 | setosa |
| 3 | 4.7 | 3.2 | 1.3 | 0.2 | setosa |
| ： | ： | ： | ： | ： | ： |
| 150 | 5.9 | 3.0 | 5.1 | 1.8 | virginica |
Q1：資料中記錄有花萼與花瓣的長度與寬度以及花的亞種，植物學家想了解，若記錄的資料中僅有花的特徵(花萼與花瓣的長度與寬度)，能否以此資料分辨出花的亞種數目?
統計方法：問題中想利用花萼與花瓣的長度與寬度來了解該花種的亞種數目，而亞種個數為未知，故適合使用具有分群能力的分析方法。具有分群能力的方法歸類於集群分析(clustering analysis)中，以下列出適用於此鳶尾花資料的方法，使用者可比較在相同的目的下，不同分析方法所獲得結果的差異性。
| 分群模式 | 集群分析 | K組平均集群法(K-Means Clustering) |
| 模糊理論集群法(Fuzzy Clustering)[包含C-Means方法] | ||
| 階層分群法(Hierarchical Clustering) | ||
| 自組織映射圖(Kohonen SOM) |
|
影音教學內容為本系統資料處理與分析方法之操作說明， 可供使用者即時參考及線上自學， 輕鬆上手「R資料分析暨導引系統」! |
|
