Kohonen Map, auch SOM (Self Organizing Map). Neben MDS eine weitere Möglichkeit, multivariate (multidimensionale) Daten auf zwei Dimensionen abzubilden. Also prima geeignet für die Visualisierung von quantitativen als auch von qualitativen Daten. Dabei wird ein neuronales Netzwerk in der Lernphase in vielen Durchgängen trainiert, die neuen Datensätze bestehenden Koordinaten (genauer: Vektoren) in einem Raster zuzuordnen. Dabei wird die Ähnlichkeit der Gewichtungen zwischen Datensatz und Vektor verglichen, und die Vektoren auch noch angepasst.

Interessant ist, dass mit der Kohonen Map auch Cluster gebildet werden können. Mir ist nur nicht klar, ob das Cluster über alle Dimensionen sind, oder man dafür eine Dimension auswählen muss.

Kritik: Der Kohonen Algorithmus basiert stark auf der Anpassung der Parameter in unmittelbarer Umgebung und verliert schnell das große Ganze aus dem Blick.

Beispiele: generation5 JDK, netzspannung.org – Semantic Map, Allographic fraglet codebooks for writer identification

Quellen: On global self-organizing maps

Ein Mosaic Plot zeigt das gesamte Datenset, in Quadrate aufgeteilt je nach Zugehörigkeit zu den Kategoriewerten. Das besondere ist, dass x- und y-Achse mehrfach verwendet werden, indem die Balken von Kategorie 1 nochmals längs geteilt werden. Somit sind maximal 4 Kategorien sinnvoll unterzubringen.

Eine gute Einführung gibt es bei childrensmercy.org.

Geeignet für: Nominale Daten. Keine Mehrfachzuweisung innerhalb einer Kategorie . Maximal 4 Kategorien, mit maximal 5-10 Werten.