Itseorganisoivat kartat (SOM) ovat eräänlainen keinotekoinen hermoverkko, jota käytetään datan visualisoinnissa ja ryhmittelyssä. Ne järjestävät korkean dimensionaalisen datan matalaulotteiseksi ruuduksi, joka säilyttää topologiset suhteet. SOM:ien taustalla olevien matemaattisten laskelmien ymmärtäminen on olennaista niiden tehokkaan soveltamisen kannalta.

Kartalle alustaminen

Prosessi alkaa alustamalla jokaisen solmun painovektorit kartalla. Tyypillisesti painot määritetään satunnaisesti tai datan jakautumisen perusteella. Jokaisella painovektorilla on sama ulottuvuus kuin syötetiedolla.

Parhaan vastaavan yksikön (BMU) löytäminen

Kunkin tulovektorin algoritmi laskee etäisyyden jokaisen solmun painovektoriin. Yleisin etäisyysmittari on Eukleidean etäisyys, joka lasketaan seuraavasti:

d = .............................................................................................................................................................................................................................................................

jossa x[i on syöttötietokomponentti ja wi on solmun painokomponentti. Pienintä etäisyyttä oleva solmu on BMU.

Painojen päivittäminen

Kun BMU on tunnistettu, painot BMU ja sen naapurit on säädetty tulla enemmän samanlainen kuin syötevektori. Päivityssääntö on:

new[] = wold[ + α(t) * h]ci[][t) * (x - wold)

jossa α(t) on oppimisaste, h[ci(t) on lähialueen toiminto ja (x - wold) on tulovektorin ja nykyisen painovektorin välinen ero.

Sovellukset itseorganisoivan kartat

SOM-mittareita käytetään eri aloilla data-analyysiin ja visualisointiin. Ne auttavat tunnistamaan kuvioita, klusteroimaan samanlaisia tietopisteitä ja vähentämään dimensiota. Yhteisiä sovelluksia ovat kuvan analysointi, markkinoiden segmentoituminen ja bioinformatiikka.

  • Datan visualisointi
  • Yhteenliittymä
  • Kuvioiden tunnistaminen
  • Ominaisuuksien uutto