まとめ

以上、SOMをデータ表現の基盤として用いたデータマイニングを概観してきました。多くの書籍でデータマイニングにおけるSOMは、可視化による分析手法の1つとして説明されているのですが、それはSOMの1つの側面を説明しているに過ぎません。データマイニングにおけるSOMの役割を一言で言うなら、さまざまな分析を行うための<基盤>だというべきでしょう。

自動車に例えると、SOMはエンジンというよりも、ターボチャージャーの役割を果たします。従来の統計解析の手法は、そのままでは今日の企業で扱われるような大規模なデータ(たとえばテラバイト級のデータ)に適用することが難しかったのですが、SOMによって圧縮されたデータ表現の上で統計解析を行うことより、統計解析をパワーアップさせることができます。

また、もう1つの見方をすると、SOMは従来の統計解析を非線形の領域に広げるための<足場>として利用することができます。Viscovery PredictorのSOMローカル回帰手法では、SOMのノードごとに線形モデルを構築することにより、線形モデルの可読性・可解釈性を生かしながら、全体として非線形に近づけることができ、予測誤差を極小化することに成功しております。

一般的なデータマイニング・システムでは、問題のタイプごとにさまざまな手法を使い分けるようになっています。つまり、クラスタ分析、クラス分類、予測(回帰)といったさまざまな手法があるわけですが、それらの手法はそれぞれ全く異なるもので、それらを統合するような表現方法を持ち合わされておりません。しかし、SOMを基盤とするアプローチでは、それぞれの統計手法の結果をすべて同じSOMという基盤の上で可視化して解釈することができます。

< 前ページ

back to top

©2000-2014 Mindware Inc. All rights reserved.