Techniques d'extraction de connaissances appliquées aux données du Web

7.3 Matlab pour la visualisation des cartes de Kohonen

Comme la capacité de visualisation du logiciel Tanagra est limitée, nous avons recours aux fonctions programmées en Matlab par »SOM toolbox programming team» entre 1997 et 2000 pour visualiser les différents états de la carte de Kohonen en fonction du nombre d'itérations.

Ces fonctions¹ sont :

- som_make: Création, initialisation et formation des cartes topologiques. - som_randinit : initialisation des cartes topologiques de Kohonen.

¹http : // www.cis .hut.fi/projects /somtoolbox/

- som _lininit: Création et initialisation des cartes topologiques de Kohonen. - som_seqtrain : apprentissage des cartes topologiques de Kohonen.

- som_batchtrain : apprentissage des cartes topologiques de Kohonen. - som _bmus : Trouver les best-matching units (BMUs).

- som_quality : Mesurer la qualité des cartes topologiques de Kohonen.

Dans l'objectif de visualiser les différentes étapes d'apprentissage de la carte de Kohonen, nous suivons ces étapes en exploitant les fonctions décrites ci-dessus².

1. Lecture du ...chier des données :

D = som_read_data('session.data');

2. Décider de la taille de la grille, à titre d'exemple 10£ 10 :

msize = [10 10];

3. Initialisation aléatoire des neurones à l'aide de la fonction som_randinit

sMap = som_randinit(D, 'msize', msize);

4. Représentation de la carte dans l'espace d'entrée (initialisation de la carte i.e. poids initiaux des neurones) et l'espace de sortie. En effet, à chaque unité de la carte correspondent deux types de coordonnées :

- le neurone dans l'espace d'entrée

- la position sur la carte dans l'espace de sortie

subplot(1, 3,1)

som_grid(sMap, 'coord',sMap.codebook(:,[1 2])) title('Map in input space')

subplot (1, 3, 2) som_grid (sMap)

axis([0 11 0 11]),view(0,-90),title('Map in output space')

²Les codes source des fonctions utilisées sont en annexe.

La figure suivante présente la carte dans les deux espaces d'entrée et de sortie.

FIG. 7.3 : Représentation de la carte dans les deux espaces d'entrée et de sortie

5. Apprentissage de la carte

Pour avoir une idée sur ce qui se passe au cours de l'apprentissage de la carte, nous nous servons du programme suivant sur Matlab.

sMap = som_randinit(D, 'msize' ,msize); sMap.codebook = sMap.codebook + 1;

subplot(1,2, 1)

som_grid(sMap, 'coord', sMap.codebook(:, [1 2])) title ('Original map')

pause % Appuyer sur une touche pour continuer

echo off

subplot (1, 2, 2) o = ones(5,1); r = (1-[1:200]/200);

for i=1:200,

sMap = som_seqtrain (sMap, D, 'tracking' ,0,... 'trainlen' ,5, 'samples',...

'alpha' ,0.1*o, 'radius', (4*r (i) +1) *o); som_grid(sMap, 'coord', sMap.codebook(:,[1 2])) title(sprintf(' %d training steps' ,5*i))

drawnow

end

echo on

clf

La figure 7.4 illustre les états de la carte pendant l'apprentissage en fonction du nombre d'itérations.

FIG. 7.4: Etats de la carte en fonction du nombre d'itérations.