Neuronale Netze

Anhang A Exkurs: Clusteranalyse und Regional and Online Learnable Fields dkriesel.comFähigkeit des Online-Lernens, was zweifelloseinen großen Vorteil darstellt. Weiterhinkann es (ähnlich dem ε NearestNeighbouring bzw. k Nearest Neighbouring)Cluster von eingeschlossenen Clusternunterscheiden – jedoch durch dieOnline-Präsentation der Daten ohne quadratischenSpeicheraufwand, der mit Abstandder größte Nachteil der beidenNeighbouring-Verfahren ist.Cluster in”Clustern“erkennbarEs wird weiterhin durch die variablen perzeptivenFlächen auf die Größe der jeweiligenCluster im Verhältnis zu ihrer Entfernungvoneinander eingegangen – was ebenfallsbei den beiden genannten Verfahrennicht immer der Fall ist.Im Vergleich mit dem k-Means-Clusteringschneidet das ROLF auch gut ab: Erstensmuss man nicht die Clusteranzahl im Vorhineinwissen, zum zweiten erkennt dask-Means-Clustering Cluster, die von anderenClustern eingeschlossen sind, nicht alsseparate Cluster an.Abbildung A.3: Ablauf des Clusterings durchein ROLF. Oben die Eingabemenge, in der Mittedie Abdeckung durch ROLF-Neurone, untendie reine Abdeckung durch die Neurone (Repräsentanten).A.5.5 Die Initialisierung von Radien,Lernraten und Multiplikatorist nicht trivialNatürlich sollen auch die Nachteile desROLFs nicht verschwiegen werden: Es istnicht immer leicht, den Initialwert für dieσ und das ρ gut zu wählen. In das ρund den σ-Startwert kann man dem ROLFumgangssprachlich das Vorwissen über dieDatenmenge mitgeben: Feinkörnig geclusterteDaten sollten ein kleines ρ und einenkleinen σ-Startwert verwenden. Je kleineraber das ρ, desto weniger Chance haben182 D. Kriesel – Ein kleiner Überblick über Neuronale Netze (EPSILON-DE)