Acta Univ. Agric. Silvic. Mendelianae Brun. 2010, 58(6), 625-632 | DOI: 10.11118/actaun201058060625
VYUŽITÍ SAMOORGANIZUJÍCÍ SE NEURONOVÉ SÍTĚ PRO HODNOCENÍ CHOVÁNÍ SPOTŘEBITELE
- Ústav informatiky, Mendelova univerzita v Brně, Zemědělská 1, 613 00 Brno, Česká republika
Tato práce popisuje využití samoorganizující se neuronové sítě pro hodnocení chování spotřebitele. V metodické části hodnotí různé metody učení samoorganizující se neuronové sítě. Na základě porovnání principu učení s učitelem, učení bez učitele a učení s částečným dohledem a jejich omezujících podmínek jsou vysvětleny výhody přístupu učení s částečným dohledem - semi-supervised learning. Při zkoumání učicích algoritmů učení s částečným dohledem učitele: label propagation, self-training a co-training se ukazuje jako vhodné pro budoucí výzkum zejména využití principu co-training pro učení Kohonenovy mapy.
Pro konkrétní aplikace na hodnocení výdajů domácností států Evropské unie pro roky 1999 a 2002 byl vybrán princip učení bez učitele. Výsledkem provedené analýzy jsou Kohonenovy mapy, které znázorňují rozložení výdajů jednotlivých států. Tato grafická reprezentace dat umožňuje sledovat kromě zařazení států do několika skupin podobnosti také topologické vztahy mezi těmito daty, grafickou vzdálenost jejich skupin. Z uvedených výsledků vyplývá, že Kohonenova mapa je vhodným nástrojem pro sledování struktury výdajů zemí Evropské unie, rovněž je do budoucna vhodná pro grafické sledování vývoje spotřebitelských výdajů.
chování spotřebitele, neuronové sítě, Kohonenova mapa, učení s částečným dohledem, label propagation, self-training, co-training
Usage of self-organizing neural networks in evaluation of consumer behaviour
This article deals with evaluation of consumer data by Artificial Intelligence methods. In methodical part there are described learning algorithms for Kohonen maps on the principle of supervised learning, unsupervised learning and semi-supervised learning. The principles of supervised learning and unsupervised learning are compared. On base of binding conditions of these principles there is pointed out an advantage of semi-supervised learning. Three algorithms are described for the semi-supervised learning: label propagation, self-training and co-training. Especially usage of co-training in Kohonen map learning seems to be promising point of other research.
In concrete application of Kohonen neural network on consumer's expense the unsupervised learning method has been chosen - the self-organization. So the features of data are evaluated by clustering method called Kohonen maps. These input data represents consumer expenses of households in countries of European union and are characterised by 12-dimension vector according to commodity classification. The data are evaluated in several years, so we can see their distribution, similarity or dissimilarity and also their evolution. In the article we discus other usage of this method for this type of data and also comparison of our results with results reached by hierarchical cluster analysis.
Keywords: behaviour of consumers, neural networks, Kohonen map, semi-supervised learning, label propagation, self-training, co-training
Received: September 3, 2010; Published: July 17, 2014 Show citation
| ACS | AIP | APA | ASA | Harvard | Chicago | IEEE | ISO690 | MLA | NLM | Turabian | Vancouver |
References
- BISHOP, C. M., 2006: Pattern recognition and machine learning. NY, USA: Springer. ISBN 0-387-31073-8.
- CARDOSO, M., MOURA-PIRES, F., 2002: Neural Networks in Business: Techniques and Applications. [s.l.]: [s.n.]. ISBN 1-931777-79-9. Chapter V: Segmentation of the Portuguese Clients of Pousadas de Portugal, s. 70-88.
Go to original source... - HERRMAN, L., ULTSCH, A., 2007: Label Propagation For Semi-Supervised Learning In Self-Organizing Maps. Proceedings of the 6th WSOM. Dostupné z < http://www.uni-marburg.de/fb12/datenbionik/pdf/pubs/2007/WSOMssLP >.
- KOHONEN, T., SCHROEDER, M. R., HUANG, T. S. (ED.), 2001: Self-Organizing Maps, Secaucus, NJ, USA: Springer-Verlag New York, Inc. ISBN 3540679219.
- KONEČNÝ, V., TRENZ, O., SVOBODOVÁ, E., 2010: Classification of companies with assistance of self-learning neural networks. Agricultural Economics: Zemědělská ekonomika. sv. 56, č. 2, s. 51-58. ISSN 0139-570X. Go to original source...
- MAŘÍK, V., ŠTĚPÁNKOVÁ, O., a kol., 2003: Umělá inteligence. Sv 4. Praha: Academia. ISBN 80-200-1044-0.
- SERRANO-CINCA, C., 1998: From financial information to strategic groups: A self-organizing neural network approach. Journal of forcasting [online]. [cit. 2009-05-05]. Dostupný z www: < http://apps.isiknowledge.com >.
- STEVEN, A., 2007: Semisupervised Learning for Computational Linguistic, Chapman & Hall/Crc Computer Science & Data Analysis. ISBN:1584885599.
- ŠÍMA, J., NERUDA, R., 1996: Teoretické otázky neuronových sítí. Matfyzpress, Praha. ISBN 80-85863-18-9. Dostupné z.
- TURČÍNKOVÁ, J., STEJSKAL, L., STÁVKOVÁ, J., 2007: Chování a rozhodování spotřebitele. Brno: MSD. 102 s. ISBN 978-80-7392-013-5.
- VESANTO, J. a kol., 2000: SOM Toolbox for MATLAB 5. Helsinki University of Technology. Dostupne z.
- ZHU, X., GHAHRAMANI, Z., 2002: Learning from labeled and unlabeled data with label propagation. Technical Report CMU-CALD-02-107, Carnegie Mellon University.
This is an open access article distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY NC ND 4.0), which permits non-comercial use, distribution, and reproduction in any medium, provided the original publication is properly cited. No use, distribution or reproduction is permitted which does not comply with these terms.