Методологічні аспекти нейромережевої кластеризації регіонів: аналіз варіативності результатів самоорганізаційних карт Кохонена
Анотація
Метою статті є виявлення та аналіз причин варіативності результатів кластеризації регіонів України за демографічними показниками при застосуванні методу самоорганізаційних карт Кохонена, а також розробка методологічних рекомендацій щодо інтерпретації та використання результатів нейромережевого аналізу в суспільно-географічних дослідженнях.
Основний матеріал. Дослідження базується на аналізі демографічних показників регіонів України з використанням методу самоорганізаційних карт Кохонена (SOM). Здійснено три варіанти кластеризації регіонів України для виявлення стабільних та нестабільних кластерних груп. Демографічні показники нормалізовано методом лінійного шкалювання за формулами прямої та зворотної індексації. Виявлено стабільні кластерні ядра: західноукраїнські регіони з найкращою демографічною ситуацією (одна група – Волинська, Рівненська, Закарпатська області; друга група – Івано-Франківська, Львівська, Тернопільська, Чернівецька області); центрально-східні індустріальні та індустріально-аграрні регіони з найгіршою демографічною ситуацією (Дніпропетровська, Запорізька, Миколаївська, Сумська, Полтавська, Харківська області); переважно центральні аграрно-індустріальні регіони з несприятливою демографічною ситуацією (одна група – Черкаська і Чернігівська області; друга група – Вінницька і Хмельницька області). Визначено регіони з нестабільною кластерною належністю (м. Київ, Одеська, Кіровоградська, Житомирська, Київська, Херсонська області). Проаналізовано чотири основні чинники варіативності SOM: випадкову ініціалізацію ваг нейронів, стохастичний характер навчання, нелінійність і складність топологічного перетворення та вплив параметрів налаштування мережі.
Висновки. Варіативність результатів самоорганізаційних карт Кохонена обумовлена їх стохастичною природою, що не є недоліком, а дозволяє виявляти множинні валідні структури у даних. Для підвищення надійності результатів рекомендується здійснювати множинне навчання мережі з оцінкою стабільності кластерів та поєднання SOM з іншими методами класифікації територій.
Завантаження
Посилання
Derzhavna sluzhba statystyky Ukrainy [State Statistics Service of Ukraine]. https://www.ukrstat.gov.ua/ [in Ukrainian].
Niemets, L. M., Barkova, H. A., & Niemets, К. А. (2009). Medychna haluz Kharkivskoi oblasti: terytorialni osoblyvosti, problemy ta shliakhy vdoskonalennia (suspilno-heohrafichni aspekty) [The medical sector of Kharkiv region: territorial features, problems and ways of improvement (human-geographical aspects). Kyiv, Ukraine : Chetverta khvylia [in Ukrainian].
Niemets, L. M., & Sehida, K. Yu. (Eds.) (2017). Innovatsiino-investytsiinyi potentsial yak osnova konkurentospromozhnosti rehionu (na prykladi Kharkivskoi oblasti) [The innovative-investment potential as the regional competitiveness base (a case study of Kharkiv region)]. Kharkiv, Ukraine : KhNU imeni V. N. Karazina [in Ukrainian].
Pylypenko, I. O., & Malchykova, D. S. (2007). Metodyky suspilno-heohrafichnykh doslidzhen (na materialakh Khersonskoi oblasti) [Methods of human-geographical research (based on the materials of Kherson region)]. Kherson : PP Vyshemyrskyi V.S. [in Ukrainian].
Agarwal, P., & Skupin, A. (Eds.) (2008). Self-Organising Maps: Applications in Geographic Information Science. Wiley, 2008 [in English].
Akinduko, A. A., & Mirkes, E. M. (2012). Initialization of Self-Organizing Maps: Principal Components Versus Random Initialization. ArXiv. https://www.researchgate.net/publication/232503593_Initialization_of_Self-Organizing_Maps_Principal_Components_VersusRandom_Initialization_A_Case_Study [in English].
Bação, F., Lobo, V., & Painho, M. (2005). The self-organizing map, the Geo-SOM, and relevant variants for geosciences. Computers & Geosciences, 31 (2), 155-163. https://doi.org/10.1016/j.cageo.2004.06.013 [in English].
Bianchi, D, Calogero, R., & Tirozzi, B. (2007). Kohonen neural networks and genetic classification. Mathematical and Computer Modelling, 45, 34. https://doi.org/10.48550/arXiv.0809.4755 [in English].
Cottrell, M., Olteanu, M., Rossi, F., & Villa-Vialaneix, N. (2018). Self-OrganizingMaps, theory and applications. ResearchGate. https://www.researchgate.net/publication/325357589_Self-OrganizingMaps_theory_and_applications [in English].
de Bodt, E., Cottrell, M., & Verleysen, M. (2002). Statistical tools to assess the reliability of self-organizing maps. Neural Networks, 15 (8-9), 967-978. https://doi.org/10.1016/S0893-6080(02)00071-0 [in English].
Kohonen, T. (2001). Self-Organizing Maps (3rd ed.). Springer-Verlag Berlin Heidelberg. DOI: https://doi.org/10.1007/978-3-642-56927-2 [in English].
Kohonen, T., & Honkela, T. (2007). Kohonen network. Scholarpedia, 2 (1):1568. https://www.scholarpedia.org/article/Kohonen_network [in English].
Miljković, D. (2017). Brief Review of Self-Organizing Maps. MIPRO. https://www.researchgate.net/publication/317339061_Brief_Review_of_Self-Organizing_Maps [in English].
Umut, A., & Secil, E. (2012). An Introduction to Self-Organizing Maps. In book: Computational Intelligence Systems in Industrial Engineering: with Recent Theory and Applications, (14), 299-319. Publisher: Atlantis Press. https://www.researchgate.net/publication/263084866_An_Introduction_to_Self-Organizing_Maps [in English].
Vayssieres, M. (2024). Master Kohonen Self-Organizing Maps: A Hands-On Guide to Data Exploration with Python. Medium. https://medium.com/@MahounaVAYSSIERES/master-kohonen-self-organizing-maps-a-hands-on-guide-to-data-exploration-withpython-fb92f8ebd6f6 [in English].
Wang, S., Huang, X., Liu, P., Zhang, M., Biljecki, F., etc. (2024). Mapping the landscape and roadmap of geospatial artificial intelligence (GeoAI) in quantitative human geography: An extensive systematic review. International Journal of Applied Earth Observation and Geoinformation, 128. https://doi.org/10.1016/j.jag.2024.103734 [in English].
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
