SOM 的 Kohonen 算法说明了如何针对每个训练示例调整最佳响应神经元及其邻居的输入权重。
当谈到绘图时，我留下了( map 神经元的数量)-许多特征空间维度的向量。如何减少这一点以使二维图随处显示？
亲切的问候!
最佳答案
SOM 是一种无监督聚类算法。因此，它代表相似的样本，在特征图上更接近(也就是说，相似的样本将激发更靠近的节点)。
因此，假设您有 10000 个样本，每个样本有 10 个特征，2d-SOM 为 20x20x10(400 个节点，有 10 个特征)。因此，训练后，您将 10000 个样本聚类到 400 个节点中。此外，您可以尝试通过 U 矩阵(表示节点权重向量与其最近邻居之间的平均距离的 map )等来识别 SOM 特征图上的相似区域，或者通过 Hit-Map 消除无用节点( map 表示节点被选为最佳匹配单元(训练数据的 BMU)的次数。
因此，在没有任何预处理的情况下，您可以实现 25 倍的减少，并且在某些情况下您甚至可以实现更多。
编辑: 有关更详细的答案，请参阅 Interpreting a Self Organizing Map如@lejlot所示
关于machine-learning - 绘制 Kohonen map - 了解可视化，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/26911018/