Selvorganiserende kart (SOMs) er en type kunstig nevrale nettverk som brukes til datavisualisering og klynge. De organiserer høydimensjonale data i et lavt dimensjonalt rutenett, bevare topologiske relasjoner. Å forstå de matematiske beregningene bak SOMs er avgjørende for deres effektive anvendelse.

Initialisering av kartet

Prosessen begynner med å initialisere vektvektorene til hver node på kartet. Vanligvis er vektene tildelt tilfeldig eller basert på datafordelingen. Hver vektvektor har samme dimensjon som inngangsdataene.

Finne den beste matchingenheten (BMU)

For hver inngangsvektor beregner algoritmen avstanden til hver node vektvektor. Den vanligste avstandsmetrikken er euklidisk avstand, beregnet som:

d = ⁇ ]i] (x]i]] - w]i]]2

hvor x]i er inngangsdatakomponenten og w]i] er vektkomponenten i en node. Noden med den minste avstand er identifisert som BMU.

Oppdaterer vektene

Når BMU er identifisert, justeres vektene til BMU og dens naboer for å bli mer lik inngangsvektoren. Oppdateringsregelen er:

ny = w]gammel + α(t) * h]ci](t) * (x - w]gammel)

hvor α(t) er læringshastigheten, hci(t) er nabofunksjonen, og (x - w]old]) er forskjellen mellom inngangsvektoren og den nåværende vektvektoren.

Bruk av selvorganiserende kart

SOMs brukes i ulike felt for dataanalyse og visualisering. De bidrar til å identifisere mønstre, klynge lignende datapunkter og redusere dimensjonalitet. Vanlige applikasjoner inkluderer bildeanalyse, markedssegmentering og bioinformatikk.

  • Datavisualisering
  • Clustering
  • Mønstergjenkjenning
  • Funksjonsutvinning