扫码加入数据分析学习群

自组织映射（SOM）用于高维数据集的可视化和分析。SOM有助于将高维数据集呈现为较低维度的数据集，通常是1-D，2-D和3-D。它是一种无监督的学习算法，并且不需要目标向量，因为它学会了在没有监督的情况下对数据进行分类。SOM由输入数据所呈现的节点或单元的网格形成。每个节点都连接到输入，节点之间没有连接。SOM是一种拓扑保留技术，可以将邻域关系保留在其映射表示中。 

算法

1-使用0到1之间的随机数初始化每个节点的权重

2-从训练数据集中选择随机输入向量3-计算最佳匹配单位（BMU）。检查每个节点以找到其权重与输入向量最相似的节点。该单元被称为最佳匹配单元（BMU），因为其向量与输入向量最相似。该选择由欧几里德距离公式完成，该公式是两个数据集之间相似性的度量。计算输入矢量和节点权重之间的距离以便找到BMU。

4-计算BMU周围邻域的大小。BMU周围邻域的大小随着指数衰减函数而减小。它在每次迭代时缩小，直到达到BMU。 

5-修改BMU和相邻节点的节点权重，使其权重更接近输入向量的权重。调整邻域内每个节点的权重，对靠近BMU的邻居进行更大的改变。 

每次迭代计算学习率的衰减。

随着培训的进行，社区逐渐缩小。在训练结束时，社区缩小到零。

影响率表示节点与BMU的距离对其学习的影响程度。在最简单的形式中，对于靠近BMU的所有节点，影响率等于1，对于其他节点，影响率等于零，但高斯函数也是常见的。最后，从随机分布的权重和经过多次迭代，SOM能够到达稳定区域的地图。最后，数据的解释将由人类完成，但SOM是一种很好的技术，可以在数据中呈现不可见的模式。