Ang self-organizing maps (SOMs) ay isang uri ng artipisyal na neural network na ginagamit para sa pag-espasyo ng datos at pagkokokodigo.Nag-organisa sila ng mataas na-dimensiyonal na datos sa isang mababang-dimensiyonal na grid, pag-iingat ng mga relasyong topolohikal. Ang pag-unawa sa mga matematikal na kalkulasyon sa likod ng mga SOM ay mahalaga para sa kanilang epektibong aplikasyon.

Pag - uumpisa ng Mapa

Ang proseso ay nagsisimula sa pag-uuna ng mga bektor ng bigat ng bawat node sa mapa. Karaniwan, ang mga timbang ay inaatasan nang ala-suwerte o batay sa distribusyon ng datos. Ang bawat isang timbang na vector ay may parehong dimensiyon na gaya ng input data.

Paghahanap ng Pinakamagaling na Matching Unit (BMU)

Sa bawat input vector, ang algorithm ay tumatantiya ng distansiya sa bawat ventor ng node. Ang pinakakaraniwang distansiyang metriko ay Euclidean distance, na kinakalkula bilang:

d = [nini ⁇ i (x - w [[[[[FLT:[[]]][2])

Kung saan ang xi ang input na sangkap ng datos at w ang bahaging timbang ng isang node. Ang node na may pinakamaliit na distansiya ay nakikilala bilang ang BMU.

Pag - aayos sa mga Timbang

Kapag nakilala na ang BMU, ang mga bigat ng BMU at mga kapitbahay nito ay naibabagay upang maging mas katulad ng input vector. Ang tuntuning update ay:

w [new = wold[ + ⁇ (t) * hci(t) * (x - w[FLT:[6]old[)

kung saan ang ⁇ (t) ay ang bilis ng pagkatuto, hci(t) ay ang gawaing pang-lokal, at (x - wold) ang pagkakaiba ng input vector at ng kasalukuyang taga-tinda ng timbang.

Mga Gamit ng Sariling-organizing Maps

Ang mga SOM ay ginagamit sa iba't ibang larangan para sa pagsusuri ng datos at visualization. Nakatutulong ang mga ito sa pagkilala ng mga padron, kumpol ng mga katulad na mga puntong datos, at pagbabawas ng dimensiyonalidad. ang mga karaniwang aplikasyon ay kinabibilangan ng analisis ng larawan, seleksiyon ng pamilihan, at bioinformatiko.

  • Pagsilip sa mga Data
  • Pagpupuslit
  • Pagkilala sa Halimbawa
  • Pag - aalis ng mga Katangian