SomToolBox学习笔记（SOM_DEMO2运行分析）

%运行环境：matlab R2012a @ winxp in virtualbox4.2.16.  SOM_ToolBox V2.0 Mar_17_2005.
%    ==========================================================

%    SOM_DEMO2 - BASIC USAGE OF SOM TOOLBOX

%    ==========================================================

%    som_data_struct    - Create a data struct.

%    som_read_data      - Read data from file.

%

%    som_normalize      - Normalize data.

%    som_denormalize    - Denormalize data.

%

%    som_make           - Initialize and train the map. 

%

%    som_show           - Visualize map.

%    som_show_add       - Add markers on som_show visualization.

%    som_grid           - Visualization with free coordinates.

%

%    som_autolabel      - Give labels to map.

%    som_hits           - Calculate hit histogram for the map.

%    BASIC USAGE OF THE SOM TOOLBOX

%    SOM Toolbox基本使用流程如下: 

%      1. construct data set：创建数据集

%      2. normalize it         ：归一化处理

%      3. train the map    ：训练映射图

%      4. visualize map    ：可视化展示

%      5. analyse results    ：分析结果

%    对于前四项，如果都采用缺省选项，则非常简单，每步就一条命令搞定。

%    对于最后一项任务，toolbox提供了很多函数，需要根据分析需求的不同进行选择采用

%    一个通用缺省的函数是不存在的。 

%    STEP 1: CONSTRUCT DATA

%    ======================

%    toolbox提供了一个特别的结构体data struct，用于存储数据集相关的所有信息

%    可以采用SOM_DATA_STRUCT函数进行创建，其第一个参数是一个数据矩阵。

D = rand(1000,3); % 1000 samples from unit cube

sData = som_data_struct(D,'name','unit cube','comp_names',{'x','y','z'});

%    上面是采用1000个三维随机数创建了一个数据结构体，数据集的名字叫unit cube，三维变量分别为xyz。

%也可以采用som_read_data来读入一个数据文件，从而产生一个数据集。

%    下面代码是尝试从'iris.data'文件中读数据，如果读入错误（如找不到文件），则采用随机数产生一个仿真的数据集

try, 

  sDiris = som_read_data('iris.data');

catch

  echo off

  warning('File ''iris.data'' not found. Using simulated data instead.')

  

  D = randn(50,4); 

  D(:,1) = D(:,1)+5;     D(:,2) = D(:,2)+3.5; 

  D(:,3) = D(:,3)/2+1.5; D(:,4) = D(:,4)/2+0.3;

  D(find(D(:)<=0)) = 0.01; 

  

  D2 = randn(100,4); D2(:,2) = sort(D2(:,2));

  D2(:,1) = D2(:,1)+6.5; D2(:,2) = D2(:,2)+2.8; 

  D2(:,3) = D2(:,3)+5;   D2(:,4) = D2(:,4)/2+1.5;

  D2(find(D2(:)<=0)) = 0.01; 

  

  sDiris = som_data_struct([D; D2],'name','iris (simulated)',...

  'comp_names',{'SepalL','SepalW','PetalL','PetalW'});

  sDiris = som_label(sDiris,'add',[1:50]','Setosa');

  sDiris = som_label(sDiris,'add',[51:100]','Versicolor');

  sDiris = som_label(sDiris,'add',[101:150]','Virginica');

  

  echo on

end

%    下面代码是将iris数据集的思维数据通过可视化形式展现

echo off 

k=1;

for i=1:4, 

  for j=1:4, 

    if i==j, 

      subplot(4,4,k);  %划分出4X4的十六个子绘图区域

      hist(sDiris.data(:,i)); title(sDiris.comp_names{i})  %对角线（i==j）绘制数据直方图。

    elseif i

      subplot(4,4,k); 

      plot(sDiris.data(:,i),sDiris.data(:,j),'k.')  %右上区域（i

      xlabel(sDiris.comp_names{i})

      ylabel(sDiris.comp_names{j})

    end

    k=k+1;

  end

end

echo on

%    绘图效果如下：

%    STEP 2: DATA NORMALIZATION

%    ==========================

%    由于SOM算法采用欧式距离进行相似性度量，不同变量如果取值范围不同，

%    那么取值较大的变量将可能占据主导地位，因此需要对变量进行归一化处理。

%    即将每个变量的取值范围都归一化到[0,1]范围。命令很简单，而且还可通过som_denormalize进行逆操作。

sDiris = som_normalize(sDiris,'var');

x = sDiris.data(1,:)

orig_x = som_denormalize(x,sDiris)

%    STEP 3: MAP TRAINING

%    ====================

%     SOM_MAKE函数用于训练 SOM. 缺省情况下，它

%    首先确定som大小, 然后采用线性方法进行初始化

%    最后才有批量算法（batch algorithm）进行训练

%    SOM_DEMO1 对训练过程有更详细的描述。

sMap = som_make(sDiris);

%    由于iris数据集中对每个数据有分类标注，可以采用如下函数进行自动标注。

sMap = som_autolabel(sMap,sDiris,'vote');

%    STEP 4: VISUALIZING THE SELF-ORGANIZING MAP: SOM_SHOW

%    =====================================================

%    采用som_show即可将som可视化展示

colormap(1-gray)  %采用反转灰度

som_show(sMap,'norm','d')

%    SOM_SHOW_ADD和subplot可用于在所有图形中加标记，如下：

h=zeros(sMap.topol.msize); h(1,2) = 1;

som_show_add('hit',h(:),'markercolor','r','markersize',0.5,'subplot','all')

clf

clc

som_show(sMap,'umat','all','empty','Labels')

som_show_add('label',sMap,'Textsize',8,'TextColor','r','Subplot',2)

h = som_hits(sMap,sDiris);

som_show_add('hit',h,'MarkerColor','r','Subplot',1)

som_show_clear('hit',1)；%还可采用此函数来清除上一步添加的绘图信息

som_show_clear('lab',2); %清除上图右边的标签标记

h1 = som_hits(sMap,sDiris.data(1:50,:));

h2 = som_hits(sMap,sDiris.data(51:100,:));

h3 = som_hits(sMap,sDiris.data(101:150,:));

som_show_add('hit',[h1, h2, h3],'MarkerColor',[1 0 0; 0 1 0; 0 0 1],'Subplot',1)

                                                                      %相当于R；G；B

%分类统计命中直方图

clf

clc

%    采用SOM_GRID可以绘制输出层的Som图形

subplot(2,2,1)

som_grid(sMap,'Linecolor','k')

view(0,-90), title('Map grid')

%    采用表面曲线（surface plot）还可以绘制距离矩阵

subplot(2,2,2)

Co=som_unit_coords(sMap); 

U=som_umat(sMap); 

U=U(1:2:size(U,1),1:2:size(U,2));

som_grid(sMap,'Coord',[Co, U(:)],'Surf',U(:),'Marker','none');

view(-80,45), axis tight, title('Distance matrix')

%    绘制原始数据点信息，前三维作为坐标，第四维用于确定标记点大小

subplot(2,2,3)

M = som_denormalize(sMap.codebook,sMap);

som_grid(sMap,'Coord',M(:,1:3),'MarkerSize',M(:,4)*2)

view(-80,45), axis tight, title('Prototypes')

%    在上述基础上，采用不同颜色绘制数据点的分类信息

subplot(2,2,4)

som_grid(sMap,'Coord',M(:,1:3),'MarkerSize',M(:,4)*2)

hold on

D = som_denormalize(sDiris.data,sDiris); 

plot3(D(1:50,1),D(1:50,2),D(1:50,3),'r.',...

      D(51:100,1),D(51:100,2),D(51:100,3),'g.',...

      D(101:150,1),D(101:150,2),D(101:150,3),'b.')

view(-72,64), axis tight, title('Prototypes and data')

%    STEP 5: ANALYSIS OF RESULTS

%    ===========================

%    这一步的使用，主要还是取决于用户根据不同的应用场景进行编程实现，toolbox提供的简单函数如：

[qe,te] = som_quality(sMap,sDiris)

%主要用于统计数据质量误差和拓扑误差。

阅读(9514) | 评论(1) | 转发(0) |

1

上一篇：WWW2013投稿情况统计

下一篇：SomToolBox学习笔记（SOM_DEMO1运行分析）