INTRODUCCIÓN

Uno de los principales desafíos durante el desarrollo de un proceso de Descubrimiento de Conocimiento en Bases de Datos (KDD) es la interpretación y entendimiento de los patrones obtenidos a partir del modelo de Minería de Datos (MD) resultante de la etapa de MD. Por lo general, un proceso de KDD consiste en 5 etapas: selección de datos, preparación o pre-procesamiento de los datos, análisis exploratorio, MD, interpretación de patrones, y evaluación de modelos. De las últimas dos etapas, depende la obtención del modelo de MD final, que en la mayoría de las veces, requiere sucesivas iteraciones sobre el análisis exploratorio de los datos de entrada, y obtención de patrones e interpretación de resultados ⁽¹. Algunos autores, señalan que el uso de la visualización debiera estar incorporada en todo el desarrollo del proceso de KDD, como herramienta para el soporte de las interacciones entre usuarios finales y analistas de datos ^1-5. Sin embargo, pocas propuestas de procesos de KDD incorporan y discuten el rol de la visualización dentro de este proceso ⁽⁵.

La Visualización es generalmente utilizada para obtener un entendimiento preliminar de los datos al inicio del proceso de KDD, y con esto se logra refinar los objetivos y tareas definidas inicialmente en la fase de formulación del problema. Se han propuesto diversas técnicas para visualizar conjuntos de datos masivos, Keim ⁸ provee una taxonomía de técnicas visuales para explorar conjuntos de datos masivos, mientras que Hoffman ^9,24 esquematiza una categorización de técnicas visuales para realizar tareas de MD. Mientras que la visualización de modelos de MD, soporta el entendimiento e interacción con el modelo inducido desde un conjunto de datos de entrenamiento por una técnica de MD ¹⁰. Estas visualizaciones deben proveer una forma natural de entender la estructura, componentes, y complejidad del modelo, así como también, las representaciones visuales proveen una forma directa de comparar varios modelos, y permiten el uso de la percepción visual humana para formular hipótesis y conclusiones acerca del modelo y su correlación con los datos ⁷. Otras investigaciones, sostienen que la utilización de técnicas de visualización durante la etapa de construcción del modelo, puede mejorar la comprensión del modelo ⁶, y han abordado, por ejemplo, la formulación de esquemas de visualización aumentada sobre los componentes de modelos de MD, en la cual integran técnicas de visualización y mecanismos interactivos ad-hoc ^{(1, 24)}.

No obstante, el análisis de modelos de MD a través del uso de visualizaciones en todo el proceso, desde su entrada (análisis visual preliminar de datos), generación del modelo de MD (análisis visual del modelo), y salida (visualización de patrones), corresponde a un análisis cualitativo y subjetivo, y su éxito está directamente ligado a la certera interpretación del analista o minero de datos o su capacidad de percepción visual, lo cual muchas veces depende de su nivel de experiencia y experticia, y al acompañamiento apropiado del usuario final experto en el dominio de los datos ⁵. Para complementar este análisis cualitativo, es necesario incorporar elementos que permitan corroborar el análisis visual a través de mediciones o métricas que calculen el nivel de similitud o diferenciación de las componentes del modelo de MD, por ejemplo, el nivel de homogeneidad, compactación o similitud de clústeres en un modelo de MD generado a través de esta técnica.

El presente trabajo propone y describe un conjunto de métricas que permiten, por un lado, caracterizar las componentes de un modelo de MD, y por otro lado, comparar las componentes del modelo mediante métricas que se basen en la "distancia" entre componentes, por ejemplo: distancia media intra-componente, distancia mínima inter-componente, etc. Para esto, se consideran métricas que se usan generalmente en métodos de clustering para determinar la similitud entre dos objetos, si se ve cada componente como un grupo de instancias asociadas a reglas generadas por la técnica. Por ejemplo: homogeneidad o dispersión asociada a cada componente.

Como caso de estudio, se presenta la definición y adaptación de las métricas de distancia y similitud, las que son implementadas en un software prototipo, aplicándolas sobre componentes de un modelo de MD generado con la técnica ÁD, la que a su vez, es combinada con la técnica SOM, aplicada en cada una de las componentes o nodos del ÁD. Finalmente, se presenta un análisis de los resultados obtenidos a partir de una evaluación subjetiva de las métricas propuestas a partir de la aplicación, a través de la implementación de las métricas definidas y adaptadas para el caso de estudio. Esto, permite comparar las percepciones de los analistas de datos, con los valores obtenidos desde las métricas respecto a la similitud o distancia de las componentes del modelo ÁD. Los resultados, permiten correlacionar y validar apropiadamente los resultados del análisis visual.

VISUALIZACIÓN DE ÁRBOLES DE DECISIÓN

La visualización está siendo incorporada cada vez más en el proceso de MD como herramienta para soportar interacciones entre usuarios/analistas de datos y las componentes involucradas en el proceso de MD. Sin embargo, ningún modelo existente (Fayyad ¹; Adriaans & Zantinge ⁽²; Brachman ³; John ⁴, incorporan explícitamente y discuten el rol de visualización en el ciclo de MD. Meneses y Grinstein ⁵ proponen elementos para avanzar hacia un esquema de proceso de MD con soporte para visualizar cuatro tipos de entidades: datos, parámetros de algoritmos, modelos inducidos, y patrones.

Los ÁD corresponden a uno de los modelos predictivos más utilizados en MD. Estos se crean dividiendo el conjunto de datos ordenados por algún valor que los jerarquiza, en subconjuntos, y después dividiendo cada uno de los subconjuntos, hasta que ya no se puedan dividir. En sintonía con la metáfora del árbol, el conjunto de datos original es el nodo raíz, los subconjuntos son nodos, y los subconjuntos no-particionados son hojas, y estas hojas son definidas por la secuencia de reglas de partición. Las ramas de un nodo son subconjuntos creados a partir de un nodo. Una regla de división utiliza típicamente una variable al asignar un caso a una rama.

Se puede comprender rápidamente una regla y juzgarla si es sensible, sin embargo, el juicio de la sensibilidad de una secuencia de reglas simples es complicado, y un árbol grande con muchas particiones se torna difícil de comprender. El propósito de construir un ÁD es jerarquizar o repartir un grupo de características de cosas/sujetos en grupos pequeños y homogéneos. La investigación sobre visualización de ÁD ha recibido gran atención actualmente, debido a su importancia en la práctica, y se han realizado muchos trabajos respecto a visualizadores 3D en MineSet ¹³, CATScan ¹³ para inducir ÁD "recubiertos", visualización interactiva en la construcción de ÁD ¹⁴, visualizador en un mapa de árboles en el sistema CART ¹⁵ y Salford.

Se pueden presentar dos problemas con la visualización de ÁD, y que no han sido investigados de manera profunda; La integración de visualización de ÁD en el proceso de MD, y la visualización de ÁD de gran tamaño. Existen nuevos enfoques en el campo de la visualización para representar estructuras de gran tamaño y jerarquía como los: treemap ¹⁶, cone-trees ¹⁷, árbol hiperbólico ¹⁸. Un trabajo reciente en el desarrollo de esquemas de visualización de ÁD es el que presenta la implementación de la herramienta llamada EMTree Results Viewer ¹⁹. Está diseñado para ayudar a construir y entender ÁD complejos visualizando la partición de casos, que ayuda al analista de datos a comprender las predicciones de un modelo, y visualizando los diagnósticos del modelo, que ayuda a determinar la confiabilidad del modelo. Se deduce de este trabajo, que el proceso de análisis de un ÁD implica la conmutación frecuente entre múltiples visualizaciones, ya que ofrecen una variedad de formas de visualizar información relevante, que permite interactuar con la presentación de la información apoyando la comprensión de las relaciones entre las vistas.

Otro trabajo revisado sobre ÁD, presenta un esquema de visualización para el aprendizaje interactivo en ÁD de gran tamaño, donde se incluye una nueva técnica llamada T2.5D (relacionado con árboles de 2,5 Dimensiones) ²⁰. Este trabajo presenta un desarrollo de métodos que puedan cumplir con dos objetivos principales; (1) visualizar de manera eficiente ÁD grandes, y además (2) visualizar su proceso de aprendizaje. Para enfrentar este desafío, se considera que la estructura de ÁD contiene dos tipos de información: información estructural del árbol, e información contenida en cada nodo. Luego se establece un conjunto de requerimientos para lograr los dos objetivos descritos anteriormente, y estos son:

• Embebido en el proceso de inducción: Infor mación estructural y de contenido debe estar disponible no sólo después de la inducción del árbol, sino durante todo el proceso. Debe proveer la habilidad de acceder y manipular fácilmente un gran árbol de acuerdo a operaciones del proceso de aprendizaje del ÁD.

• Comprensión: El visualizador debe facilitar el entendimiento de su estructura y relación con sus nodos.

• Eficiencia: Se debe tener un uso eficiente del espacio visual de las herramientas al desplegar árboles grandes.

• Interacción: Debe existir un control interactivo sobre la estructura con la habilidad para los usuarios de poder modificar diferentes diseños.

• Estética: Debe contar con una presentación amigable y confortable.

Este visualizador se implementa para el sistema CABRO y despliega un ÁD en dos vistas relacionadas, la global y otra enfocada al detalle. Cada una de estas vistas pueden ser expandidas o replegadas y soportan los siguientes modos:

• Vista de paneles ajustados: La estructura global de un ÁD se muestra en un panel y su detalle en otro.

• Vista personalizada: El árbol puede ser desplegado de manera completa o sólo su raíz y sus hijos directos, por lo que el usuario puede usar vistas interactivas del árbol de acuerdo a sus necesidades.

• Vista de decisión/nodos hojas: El usuario puede abrir un nodo y ver su información: asociando el atributo y su valor correspondiente, número de casos cubiertos, la clase más grande, el porcentaje asociado, el camino recorrido desde el nodo raíz, etc.

• Modo pequeño con vista ojos de pez (Fish-Eyes View - FEV): permite focalizar la visualización de manera de manejar el espacio para la estructura del árbol, el usuario puede determinar rápidamente el punto de vista y tomar una vista panorámica del área de interés. Esto le permite ver la estructura del árbol mientras presta atención a diferentes partes de sus relaciones.

Con árboles muy grandes el usuario puede encontrar difícil navegar sobre ellos, incluso con la vista pequeña y uso de FEV. Se ha utilizado la técnica llamada T2.5D para resolver este problema. Para explicar esta técnica, se necesita definir el concepto "camino ancho" de un nodo del árbol. Esto se entiende como el conjunto de nodos del camino desde la raíz al nodo y sus hermanos, es decir, contiene a sus familiares directos. Cuando se visualiza un árbol en cada movimiento el camino ancho está activo (active wide path - AWP). En aplicaciones de esta técnica se describen algunos resultados con ÁD grandes:

• T2.5D logra fácilmente manejar ÁD con más de 20000 nodos, y más de 1000 nodos pueden ser desplegados juntos en una sola pantalla.

• Esto es útil para tener una vista clara de un AWP de un nodo en la imagen del árbol y tener la vista completa del árbol al mismo tiempo.

• La navegación incluso en árboles enormes es rápida y fácil.

Existen varios métodos para resolver los tres problemas de inducción de ÁD en la selección de atributos, poda y discretización. Este problema requiere un meta-conocimiento y evaluación comparativa entre métodos y modelos. En lo que específicamente se refiere al apoyo de esta técnica en la visualización del proceso de aprendizaje de un ÁD, se presenta una tabla de comparación considerando los 5 requisitos descritos dando como resultado la Tabla 1. Los tres principales criterios para seleccionar el modelo son: tamaño, exactitud, y entendimiento en árboles grandes. El tamaño del árbol y la exactitud pueden ser evaluados de manera cuantitativa.

Métrica de Distancia para Mapas SOM

Esta métrica representa una adaptación de la medida de distancia entre vectores de datos. Es útil denotar la distancia entre dos instancias X _i y X _j como d(X _i y X _j ). Una medida de distancia válida debe ser simétrica y su valor mínimo es cero dada la condición que para dos instancias comparables resultan iguales si x = y. Dada la naturaleza del dominio de los datos se utiliza la métrica de Minkowski¹¹ como medida de distancia.

La expresión general de distancia de Minkowski entre dos instancias dadas de p dimensiones es:

(1)

Dependiendo del valor particular de g utilizado se pueden obtener distintas métricas de distancia (por ejemplo: Euclides con g = 2, Manhattan con g = 1, y Chebychev con g = ∞). Una modificación a este cálculo considera la asignación del peso de cada atributo en la instancia de acuerdo con su importancia. Entonces la distancia ponderada por el peso de cada atributo queda como:

(2)

Donde: w _i e [0, ∞]

Para el caso de un mapa de Kohonen (SOM), la distancia puede ser medida en términos de los pesos de la red entrenada y en términos de la capa de salida (mapa). Para esto se puede medir la distancia de los vectores de pesos de dos mapas de entrada representados por los vectores X e Y respectivamente. Similarmente, se puede comparar los mapas de salida de dos redes de Kohonen asociadas a distintas componentes de un modelo de MD, considerando que en este caso el vector X representa los valores del mapa 1 y el vector Y representa los valores del mapa 2, una vez entrenada la red mediante el algoritmo SOM.

Es necesario considerar una instancia representativa de cada neurona, ya que el cálculo de distancia de Minkowski se refiere a instancias y no a un conjunto de ellas como se agrupan en cada neurona de un mapa SOM. Para esto, se utilizan como criterios: para el caso de atributos con valores numéricos el promedio aritmético de los valores de las instancias para cada neurona de ambos mapas (x _v e Y _v ), y para atributos con valores no-numéricos se utiliza el valor que más se repite es decir la moda. Para el caso de los pesos (w) de los atributos se utiliza un arreglo w aleatorio que posteriormente es mejorado mediante el cálculo de Best Matching Units (BMU)²².

Por tanto, la adaptación de la métrica de distancia de Minkowski considerando el cálculo de Euclides (g = 2), queda de la siguiente forma:

Dados dos vectores Xv e Yv de (n • m) dimensiones (o neuronas de las capas de salida de dos redes de Kohonen), en que cada neurona x _i ∈ Xv con t instancias y p atributos, y cada neurona y _i ∈ Xv con k instancias y p atributos, la expresión general de la distancia entre dos neuronas Xv _i e Yv _i es:

(3)

Métrica de Similitud para Mapas SOM

Similitud es un concepto alternativo al de distancia, y que sirve para comparar dos componentes representados como vectores x _i y_j, en función de su nivel de similitud denotada por S(Xi, Yi) (Maimon y Rokach ¹¹). Esta función debe ser simétrica, es decir; S(Xi, Yj) | = S(Xj, Yi), y tienen un gran valor cuando Xv y Yv) son "similares" y constituyen el valor máximo cuando los vectores son idénticos.

Generalizando, si Xv e Yv son dos vectores de instancias p dimensionales, entonces la función S(Xv, Yv) mide la similitud entre estos dos vectores. Se establece que -1 ≤ S(Xv, Yv) ≤ 1 (función de similitud dicotómica), y se puede calcular utilizando diferentes métodos: medida del coseno, correlación de Pearson, extensión de Jaccard, y coeficiente de Sorensen-Dice. Para este estudio se utiliza el cálculo de la métrica utilizando la correlación de Pearson. La medida de correlación de Pearson para dos instancias en su forma normalizada se define como:

(4)

Donde: x e y son los valores promedio de los vectores Xv e Yv, respectivamente.

En el contexto de un mapa de Kohonen, Xv e Yv pueden representar ya sea la capa de los pesos o bien la capa de salida de la red. En este caso, S(Xv, Yv) entrega una medida cuantitativa de la similitud ya sea la matriz de pesos de ambas redes o bien de la capa de salida de las redes. También es necesario considerar una instancia representativa de cada neurona en el cálculo de similitud utilizando la medida de correlación de Pearson. Ya que esta medida se refiere a instancias y no a un conjunto de ellas como se agrupan en cada neurona de un mapa SOM. Para esto, se consideran los mismos criterios utilizados para el cálculo de distancia (media para atributos numéricos y moda para atributos no-numéricos). Para el caso de los pesos (w) de los atributos se considera el valor que proporciona un algoritmo de ranking.

La adaptación de la métrica de correlación de Pearson queda:

• Dados dos vectores Xv e Yv de (n · m) dimensiones (o neuronas de las capas de salida de dos redes de Kohonen), en que cada neurona X _vi ∈ X _v con t instancias y p atributos, y cada neurona Y _vi ∈ y _v con k instancias y p atributos, la expresión general de la similitud a través del cálculo de correlación entre dos neuronas X _vi e Y _vi es:

(5)

Alcances y situaciones de borde:

1. i. Este cálculo se debe replicar para las (n · m) pares neuronas de cada mapa de salida X _v e Y _v respectivamente. Se debe considerar que cada mapa de SOM representan a dos componentes del modelo que se comparan.

2. ii. Antes del cálculo de la similitud entre dos neuronas se debe determinar la instancia representativa de cada neurona, basado en los criterios establecidos previamente (la media para atributos numéricos y la moda para atributos no-numéricos).

3. iii. En caso de que uno de los pares de neuronas (X _vi, Y _vi ) no agrupe o clasifique instancias, al cálculo de la similitud S(X _v , Y _vi ) se le asigna el valor null.

4. iv. Condiciones de borde:

Como salida se debe obtener una matriz con valores de las respectivas similitudes de todos los pares de neuronas. Esta matriz se puede visualizar utilizando un color rojo en degradé sobre cuadrículas diferente al utilizado en la distancia. Así se puede observar con un tono más oscuro del color rojo la representación de mayor similitud entre las componentes (valor de Pearson cercano a 1,0), y un tono más claro para representar la menor similitud (valor de Pearson cercano o tendiendo a cero). Para los casos señalados en el punto iii, es decir similitudes no calculadas y asignadas con null, se coloca la cuadrícula sin color.

HEURÍSTICA PARA EL CÁLCULO DE MÉTRICAS

Basada en la definición adaptada de las métricas descrita en la sección anterior, se presenta la Figura 1, donde se muestran las métricas propuestas en notación abstracta (entrada/salida) donde se define el algoritmo SOM_Metrics. Este algoritmo implementa una lógica general de cálculo de distancias para los mapas de SOM. Se consideran dos componentes seleccionados desde un modelo ÁD, donde los mapas son representados por vectores de dimensiones N_ROWS por N_COLUMNS. El algoritmo recibe como parámetros de entrada dos componentes seleccionados a partir un modelo ÁD.

Figura 1 Algoritmo SOM_Metrics. 

La salida proporciona dos cuadrículas que contienen valores resultantes para cada nodo de ambos mapas comparados. Estos pueden ser visualizados para ambas cuadrículas.

Una descripción detallada del algoritmo SOM_ Metrics se presenta a continuación:

El proceso de generación de la instancia representativa (generate_rep_instance) para una componente se muestra en la Figura 2. Se utiliza el criterio establecido usando el cálculo de la media para atributos numéricos, y la moda para atributos no numéricos. Esta función recibe como parámetro de entrada un componente del modelo que puede ser indistintamente de un mapa SOM o nodo de ÁD. Como salida se entrega un vector con la instancia representativa de la

componente analizada. Una descripción detallada del funcionamiento del algoritmo generate_rep_instance se presenta a continuación:

Figura 2 Heurística del proceso de generación de la instancia representativa. 

IMPLEMENTACIÓN DE MÉTRICAS

Las dos métricas definidas anteriormente, permiten comparar de manera cuantitativa dos componentes de un modelo de ÁD, las cuales son implementadas sobre una instancia representativa del conjunto de datos agrupadas en cada instancia de los mapas SOM. Estos mapas son generados a partir de dos componentes seleccionados. Adicionalmente, para el modelo de ÁD, ambas métricas se implementan directamente en los datos ya clasificados que pertenecen a los diferentes nodos del ÁD. Esto permite visualizar los valores de distancia y similitud entre las demás componentes del modelo. Para validar la implementación y uso de ambas métricas, se utiliza como ejemplo el modelo de MD generado a través de la técnica ÁD utilizando el conjunto de datos Iris.

En la Figura 3 se encuentran destacados los dos nodos seleccionados del modelo de ÁD (ícono hexagonal) que tienen generado su mapa SOM respectivo.

Figura 3 Técnica ÁD utilizando el conjunto de datos Iris. 

En la Figura 4 se presentan dos mapas de SOM que muestran los detalles internos que resulta de explorar los nodos seleccionados del modelo ÁD (Figura 3), y su distribución de instancias.

Figura 4 Técnica ÁD utilizando el conjunto de datos Iris. 

Según se ha establecido en la definición de las métricas para cada componente se encuentran representados por matrices que almacenan las instancias agrupadas en los componentes del mapa. El software prototipo ha limitado estas matrices a una dimensión de 5 x 5 para simplificar el despliegue visual en pantallas con menor resolución motivos de simplificación. Se debe generar la instancia representativa con los criterios establecidos, esto es: el valor promedio para atributos numéricos y la moda para atributos no-numéricos. Luego a estas componentes se le aplican las métricas de distancia y similitud en forma simétrica, es decir para la instancia del primer mapa ubicada en la posición [fila, columna] = [1, 1] se calculan las métricas respecto a la otra instancia del segundo mapa ubicada en la misma posición [1, 1]. En caso de que la instancia no tenga asignada datos se asigna el valor null en ambas métricas. El orden de interpretación visual de las matrices SOM es vertical, es decir la fila 1 corresponde a la primera columna del lado izquierdo, y la última fila (5) es la del extremo derecho.

Implementación Métrica Distancia

Se utiliza como métrica de distancia la fórmula de Minkowski parametrizada para el método de distancia Euclidiana. Una vez generados los respectivos mapas SOM para los dos nodos seleccionados, se genera una matriz de cuadrículas también de orden 5 x 5 (Figura 5). Estas cuadrículas se ubican dentro de pequeños círculos y representan las distancias Euclidianas de todos los pares de instancias de ambos mapas SOM. Se puede observar visualmente el uso del color negro con degradación para representar la distancia entre las correspondientes instancias de los mapas de SOM.

Figura 5 Cuadrículas de distancia entre dos mapas SOM. 

El valor mínimo de distancia (cercanía de las componentes) que tiende a cero se representa por la tonalidad más clara. El valor máximo de distancia (lejanía de las componentes) se representa por una tonalidad que va de gris a negro. Para el caso de instancias que no agrupan valores el cálculo de distancia no es aplicable y se asigna un valor null. Estos últimos se representan en la matriz de cuadrículas por el símbolo ∅ que significa vacío. La matriz de cuadrículas mantiene el mismo orden de recorrido visual descritos para los mapas de SOM, igual que la Tabla 2 que registra los valores que se obtienen en esta métrica.

Evaluación de Métrica Distancia

Se establecieron criterios para evaluar el nivel de cercanía entre dos componentes. Se considera el rango de valores para la distancia representada por d(X _vi , Y _vi ) ∈ R > 0.

Se establecen los siguientes criterios:

1. a. Valor de instancias cercanas si el valor resultante d(X _vi , Y _vi ) < 0 d(X, Y).

2. b. Valor de instancias lejanas si el valor resultante d(X _vi , Y _vi ) ≥ d(X, Y).

3. c. Mapas o componentes cercanas si el 70% de su d(X _vi Y _vi ) es < d(X, Y).

4. d. Mapas o componentes lejanas si el 70% de su d(X _vi , Y _vi ) es ͵ d(X, Y).

Donde d(X, Y) corresponde a la media general de los valores de distancia. En este cálculo no se consideran las celdas con valor null.

Basado en los criterios establecidos y al evaluar los datos que se obtienen desde la Tabla 2, se pueden corroborar algunos valores que hacen coherente la matriz de cuadrículas de distancia:

Tabla 2 Distancia de dos mapas de SOM. 

	Fila 1	Fila 2	Fila 3	Fila 4	Fila 5
Col 1	0,8515	null	0,6386	null	0,8335
Col 2	null	null	0,6504	0,5663	0,6797
Col 3	0,4958	0,4451	0,5621	0,4523	0,6982
Col 4	null	0,3334	null	0,5577	0,6740
Col 5	0,3100	0,2891	0,4837	0,4424	0,5069
Mín	0,8515	0,2891	0,4837	0,4424	0,5069
Max	0,8515	0,4451	0,6504	0,5663	0,8335
Media	0,5500	0,3500	0,5800	0,5000	0,6700
Media General			0,5300

• En la [fila, columna] = [1,1] se encuentra el mayor valor de distancia que se obtiene (0,8515) y en la misma posición de la matriz de cuadrículas de distancias aparece con la tonalidad más oscura (negra). Además, este valor es mayor a la media general (0,5300). Esto indica que las instancias representativas de las neuronas de ambos mapas SOM ubicadas en esta posición (Figuras 4 a) y b)) son distantes respecto a las demás.

• Diferente a lo anterior, el valor mínimo (0,2891) ubicado en la posición [fila, columna] = [2,5] obtiene una cuadrícula con la tonalidad más clara, y menor a la media general, lo que representa cercanía entre las dos neuronas de los mapas SOM que están en la misma posición.

• También en todas aquellas celdas donde aparece el valor null significa que una de las neuronas o ambas, no agrupan instancias por lo que el cálculo de distancia entre ellas no es posible. Por ejemplo, la posición [fila, columna] = [3,4] tiene este valor porque la neurona del mapa SOM del nodo izquierdo (Figura 4 a)) no agrupa instancias en esta posición. En cambio, la posición [fila, columna] = [4,1] de ambos mapas SOM no agrupa instancias y por tanto el valor null también es asignado.

Finalmente, en la Figura 6 se muestra el desarrollo general del modelo incorporando la métrica de distancia sobre la técnica ÁD.

Figura 6 Modelo ÁD y métrica de distancia. 

Implementación Métrica Similitud

La segunda métrica implementada es la similitud entre componentes, basada en la fórmula de correlación normalizada de Pearson ¹². Una vez generados los respectivos mapas SOM de los dos nodos ÁD seleccionados, se genera una matriz de cuadrículas de orden 5 x 5 (Figura 7). De forma similar a la matriz de cuadrículas de distancias, se ubican dentro de pequeños círculos que representan el nivel de similitud de todos los pares de instancias de ambos mapas SOM. Se puede observar visualmente para cada cuadrícula la utilización del color rojo en degradación para representar la distancia entre las correspondientes instancias de los mapas de ambos nodos ÁD. Los valores que se obtienen desde la correlación de Pearson oscilan en el rango [0,1].

Figura 7 Cuadrículas de similitud entre dos mapas SOM. 

El valor mínimo de similitud (diferencia de las componentes) tendiendo a cero se representa por la tonalidad más clara. El valor máximo de similitud (igualdad de las componentes) se representa por una tonalidad en degradación a rojo oscuro. Para el caso de instancias que no agrupan valores el cálculo de similitud no es aplicable y se asigna un valor null. La representación de vacío se hace mediante el símbolo 0. La Tabla 3 registra los valores obtenidos en esta métrica.

Tabla 3 Similitud para dos mapas de SOM. 

	Fila 1	Fila 2	Fila 3	Fila 4	Fila 5
Col 1	0,0101	null	0,0223?	null	-0,0191
Col 2	null	null	0,0124	0,198	0,0045
Col 3	0,0008	0,0135	0,0152	0,0120	0,0009
Col 4	null	0,0102	0,0152	0,0180	0,0066
Col 5	0,0088	0,0097	0,0124	0,0120	0,0262
Mín	0,0008	0,0097	0,0311	0,0198	0,0009
Max	0,0101	0,0135	0,0311	0,0198	0,0262
Media	0,0000	0,0100	0,0200	0,0100	0,0100

CONCLUSIONES Y TRABAJO FUTURO

Se ha logrado establecer en este trabajo el rol relevante que cumple la visualización en el proceso de MD, principalmente en el análisis exploratorio de los modelos en la etapa de ajuste y construcción. Lo anterior, dejando de manifiesto lo crucial que es la comprensión del modelo de MD que se construye, para lograr una interpretación adecuada de los patrones que se obtienen. Todo esto en el marco de un proceso iterativo e interactivo y con la participación activa tanto del usuario final como el analista de datos.

Una de las complejidades que conlleva la obtención de un adecuado modelo de MD, es la comprensión de su funcionamiento interno. Y en esto, la mayoría de las actuales herramientas de MD no aportan mucho, ya que por lo general sólo proporcionan visualización estática de la estructura del modelo sin permitir explorar sus componentes. Esto puede impactar la credibilidad del modelo debido a la falta de entendimiento y dificultad, en algunos casos, en la interpretación y difusión de los patrones generados a partir del modelo de MD.

Figura 8 Modelo ÁD y métrica de similitud. 

Las métricas de similitud y distancia, adaptadas y aplicadas a la técnica SOM, entregan una herramienta complementaria de validación de las componentes o nodos de un modelo generado con la técnica ÁD. Una visión general de esta matriz de cuadrículas de distancias permite afirmar que la mayoría de las neuronas de ambos mapas contienen una tonalidad más cercana al rango gris a oscuro, y observando sus valores 17 de 19 neuronas sus distancias son mayor e igual a la media general, esto es el 89% de las neuronas de ambos mapas son lejanas. Esto permite deducir que las componentes analizadas son mayormente distantes ya que más del 70% de sus neuronas lo son. Contrastando las matrices de cuadrículas de ambas métricas (distancia y similitud), se puede afirmar que las dos componentes comparadas reúnen instancias mayormente distintas y distantes. Esto permite tener una variable adicional al momento de analizar, interpretar y comprender el modelo de MD.

En relación al trabajo futuro, se está trabajando en los siguientes aspectos: