Mapas autoorganizados (Self-organizing maps)

Abstract

En el análisis de datos, tratar conjuntos de alta dimensión puede ser complicado ya que a veces es difícil encontrar estructuras o representar esos datos. Los mapas autoorganizados son un tipo de red neuronal efectivo pero sencillo basado en aprendizaje no supervisado y competitivo que permite representar estos datos en sencillos mapas a través de proyecciones no lineales a espacios de baja dimensión, generalmente 2D, preservando la topología del espacio original. Este método, que fue desarrollado por Teuvo Kohonen, ofrece por un lado la representación visual de los datos manteniendo las similitudes entre ellos, y, por otro, la agrupación de observaciones similares en el espacio original. Este trabajo desarrolla los aspectos teóricos m as importantes de los mapas autoorganizados, se explica su funcionamiento y se estudian diferentes posibilidades para su implementación. Finalmente, se presentan dos aplicaciones de esta técnica, una de ellas tratando con datos de la pandemia del COVID-19.

In data analysis, dealing with high dimensional datasets can be complicated as it is sometimes challenging to nd structures or visualize them. Self-organizing maps are a simple yet e ective type of neural network based on unsupervised and competitive learning that allows representing these data in simple maps through nonlinear projections to low dimensional spaces, usually 2D, preserving the topology of the original space. This method, which was developed by Teuvo Kohonen, o ers, on the one hand a visual representation of the data that preserves similarities among them, and, on the other hand, clusters of similar observations in the original space. This work develops the most important theoretical aspects of self-organizing maps, explains how they work and studies the di erent posibilities for its implementation. Finally, two applications od the technique are presented, one of them dealing with the COVID-19 pandemia data.