Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
84.1
76.3
об-
Азот
щий, мг/л
0.423
0.396
Темпера-
тура, град.
19.4
18.9
1.50
2.17
1.71
1.47
1.38
1.10
101.9
106.2
139.2
0.422
0.497
0.455
18.3
17.8
17.3
Обучение сети для этого примера выполним с использованием функции som(…)
пакета kohonen, задав гексагональную решетку проекционного экрана 5´6, т.е. 305 точек
наблюдений будут "самоорганизовываться" на 30 узлах – потенциальных центрах
кластеризации. По завершении итерационного процесса нам становится доступным для
визуализации следующий комплект карт:
°
"codes" – показывается распределение по решетке соотношение долей участия
отдельных исходных переменных (см. рис. 6.25а);
°
°
"counts" – представлено число исходных объектов в каждом узле сети;
"mapping" – показываются координаты исходных объектов на сформированной
карте (см. рис. 6.25б);
°
"property", "quality", "dist.neighbours" – визуализируется цветом различной окраски
целый набор свойств каждого узла: меры парных или средних расстояний между
нейронами, доли участия отдельных исходных переменных и т.д.
При анализе полученных карт можно усмотреть, что кластеры в нижнем левом
углу решетки связаны с высокой численностью бактерий и содержанием диатомовых
водорослей, а также с повышенной температурой воды в придонном слое на мелководьях.
Их "заселяют" в основном наблюдения, сделанные на Волжском и Волго-Камском
участках. Для верхнего левого угла экрана характерно присутствие станций
Приплотинного плеса с высокой прозрачностью и большим содержанием азота.
Некоторые точки наблюдений Ундорского участка с повышенной биомассой каляноид
нашли свое место в верхнем правом углу. Наконец, многообразие природных
характеристик Ульяновского плеса, где глубоководные русловые участки сочетаются с
мелководными заливами, вызвало неакцентированную "размытость" размещения синих
точек почти по всей решетке.
К разделу 6.9:
# Самоорганизующиеся карты Кохонена
# Функция случайного заполнения пропущенных данных в произвольном векторе
random.imp <- function (a){
missing <- is.na(a) ; n.missing <- sum(missing) ; a.obs <- a[!missing] ; imputed <- a
imputed[missing] <- sample (a.obs, n.missing, replace=TRUE) ; return (imputed) }
# Инициализация данных и заполнение пропусков
library(xlsReadWrite) ; PT <- read.xls("Куйб.xls", sheet = 2, rowNames=FALSE)
Stan.f <- as.factor(PT[,2]) ; X <- as.data.frame(PT[,4:9])
Stan.list <-unique(Stan.f) ; XP <- X
for (i in 1:length(Stan.list)) {
Ind <- which(Stan.f==Stan.list[i]); XP[Ind,] <- apply(X[Ind,], 2, random.imp) }
by(XP, Pl.f, function(x) apply(x, 2, mean)) # Вывод таблицы средних по плесам
242
а)
б)
Рис. 6.25. Самоорганизующиеся карты типа "codes" (а) и "mapping" (б), проецирующие 305