SOMs的Kohonen算法说明如何调整每个训练样例中最佳响应神经元及其邻居的输入权重。
当涉及到绘图时,我留下了(地图神经元的数量) - 特征空间维度的多个向量。如何减少2D图显示在哪里?
亲切的问候!
答案 0 :(得分:1)
SOM是一种非监督聚类算法。因此,它代表类似的样本,在特征图上更近(这样,类似的样本将触发更靠近的节点)。
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,10个特征)。因此,训练后您将10000个样本聚集到400个节点中。此外,您可以尝试通过例如U-Matrix(地图表示节点的权重向量与其最近邻居之间的平均距离)来识别SOM要素图上的相似区域,或者通过以下方法消除无用的节点。命中图(地图表示节点被选为最佳匹配单元的次数 - 训练数据的BMU)。
因此,如果没有任何预处理,您可以减少25倍,有些甚至可以实现更多。
编辑: 有关更详细的答案,请参阅Interpreting a Self Organizing Map,如@lejlot
所示