主成分分析との関係性から自己組織化マップを理解しよう

前回は、自己組織化マップ(SOM)の威力は、多次元データを低次元空間（正確には格子空間上）に集約して、レコード間の関係性を可視化できることを説明しました。 同様な多次元データを可視化する方法としては、主成分分析による次元削減が知られているところですが、その違いは何でしょうか？

主成分分析では、「多次元空間上でのデータ分布が、ある2次元平面上に良く分布していること」という強い仮定があり、問題はこの仮定が事前に知りえない点です。

そのような、あらかじめデータ分布の特性が分からない分布一般に適用できるのが、SOMという訳です。

さて、SOM適用のメリットは、データの可視化の他に何が考えられるでしょうか？ 例えば、データ処理の観点では、以下が挙げられます：

・ 大規模データの圧縮
　　大規模データから、母集団を特徴付ける少数の代表レコードを抽出。

・ データクレンジング（データクリーニング）
　　重複レコードの削除。欠損値の補完。

・ SOMによるクラス分類を組み合わせた高精度予測システムの構築
　　SOMによって発見されたクラスターごとに、予測モデルを構築。予測工
　　程では、前処理としてSOMを経由させることで、最適な予測モデルの選
　　択を行う。

SOMの具体的な問題への豊富な適用例は、日本語の書籍で分かり易いものとして[1]や[2]がSOM研究の第一人者の解説ぞろいで、お勧めです。

[1] 自己組織化マップとその応用
　　著：徳高平蔵・大北正昭・藤村喜久郎【編】
　　出版社：シュプリンガー・ジャパン

[2] 自己組織化マップ応用事例集--SOMによる可視化情報処理
　　著：徳高　平蔵・藤村　喜久郎・ 山川　烈【監修】
　　出版社：海文堂出版

弊社では、データ分析プロジェクトにまつわる様々なご相談に、過去20年以上に渡るプロジェクト経験に基づき、ご支援しています。

社内セミナーの企画等、お気軽にご相談いただければ幸いです。