Influenza dell’addestramento sulla rappresentazione dei dati nelle reti di Kohonen: un’applicazione

L’utilizzo delle reti neurali per la classificazione e la visualizzazione di dati multidimensionali è progressivamente divenuto più frequente, grazie alla disponibilità di calcolatori sempre più veloci e di potenti algoritmi di apprendimento. Il successo delle reti neurali è dovuto soprattutto alla capacità delle stesse di valutare un gran numero di fattori, tollerare problemi di qualità dei dati (come dati mancanti, incompleti o affetti da errore) ed evidenziare patterns non lineari. Le reti, come le metodologie statistiche tradizionali, non sono tuttavia esenti dalle difficoltà previsive derivanti dalla sovraparametrizzazione, e pongono problemi inerenti alla scelta del modello e delle variabili da utilizzare. Per questo, più che allo sviluppo di nuovi algoritmi di apprendimento, molta attenzione viene ora posta sui criteri di pre-elaborazione dei dati, sulla scelta appropriata dell’architettura di rete da utilizzare e sull’adeguata valutazione dei risultati (Bishop, 1995). Il presente lavoro vuole mostrare come la scelta dei parametri e del programma di addestramento nelle reti di Kohonen (Kohonen, 1989 e 1990) possa influenzare notevolmente i risultati, dando un limite alla capacità di autorganizzazione del modello e mostrando, anche per le reti non supervisionate l’importanza delle scelte del ricercatore nella determinazione dell’output.