我喜欢在Batch SOM收敛时停止执行。 我可以使用什么错误函数来确定收敛？
答案 0 :(得分：5)
我很确定你的意思是成本函数而不是错误函数。
SOM不需要错误功能（也不需要成本函数）。
在机器学习分类法的顶层，SOM是无监督学习技术 - 没有目标向量，因此没有“目标向量”减去“value_at_the_current_iteration”以最小化。
另一种思考方式：成本函数的作用是最小化一些成本;在ML中，它是模型计算和提供的数据之间的差异。在SOM中，没有为此目的向算法提供数据。
（我意识到这有点令人困惑，因为创建网络的输入数据通常被称为“训练数据” - 这可能是监督ML技术中输入数据的作用，这种技术远比无人监管的。它可能也令人困惑，因为Teuvo Kohonen，即“发明”SOM的人，最初称他们为一类神经网络 - 当然NN是一种监督技术，并且依赖于成本函数（通常是梯度）下降。））
最后，为了确保，我检查了自己的SOM代码以及Marsland的ML教科书中的代码，“机器学习：算法视角”。在我的代码和他的代码中，唯一的停止标准是用户在调用main函数时传入的“最大迭代次数”的值。
答案 1 :(得分：3)
当谈到SOM的收敛时，对于给定的地图大小（n x m），您想知道算法是否已经运行足够的迭代以确保地图是“稳定的”＃34;。这意味着，松散地说，如果地图被重新训练多次，地图的新输入（观察）会被放置在相同的神经元/码本向量中吗？（忽略地图的排列可能在其周围转换的事实的问题）每次训练，只要集群仍然以稳定的方式排列，这是很好的。
为了帮助回答是否有足够的迭代问题，请参阅下面列出的学术论文。这两篇论文还涉及到什么地图大小合适的问题（n x m值有助于确保SOM的收敛？）。
这里给出了一种在论文中流行的传统方法：
Statistical tools to assess the reliability of self-organizing maps (Bodt, Cottrell, Verleysen)
最近，这种方法已经出现，看起来很有希望：
在我看来，这篇论文写得非常好，很高兴阅读。同样不错的是，这项研究已被编写为R中一个（相当未知的）包中的SOM收敛测试，称为popsom。看看：