Kendi kendini organize eden haritalar (SOM), veri görselleştirme ve kümeleme için kullanılan bir tür yapay sinir ağıdır. Düşük boyutlu bir ağ haline yüksek boyutlu veriler organize ederler, üstolojik ilişkileri korurlar. SOMs arkasındaki matematiksel hesaplamalar etkili uygulama için önemlidir.

Mapuin ilki

Süreç haritada her düğümün ağırlık vektörlerini baştan çıkarmaya başlar. Tipik olarak, ağırlıklar rastgele veya veri dağıtımına dayalı olarak verilir.Her ağırlık vektörünün girdi verileriyle aynı boyutta vardır.

En İyi Maçı (BMU) bulmak

Her giriş vektörü için, algoritma her düğümün ağırlığı vektörüne mesafeyi hesaplar. En yaygın mesafe metrik Euclidean mesafedir, hesaplanan:

D = ⁇ [DÜ:0)i[DÜye: 1)[x[DÜye:2|Döntme[DÜye Olmayanlar İçin Tıklayınız.

x)i) giriş veri bileşeni ve w)), en küçük mesafe ile ilgili ağırlık bileşeni BMU olarak belirlenir.

Kiloları yukarı doğrulayın

BMU tespit edildikten sonra, BMU ve komşularının ağırlıkları giriş vektörüne daha benzer hale gelmek için ayarlanıyor.The update rule is:

[FONT:0) [[Dönemli: 1)[[0][[Dönemli) {0}[D) {0|0|0|0|0|0|0|0|0|0|[Dönemli[Dönemli) * [Düzücük|x|x|x|x|x|[Dönemli)

α(t) öğrenme oranı, h)ci) mahalle işlevidir ve (x - w)[Döneticiler) giriş vektörü ve mevcut ağırlık vektörü arasındaki farkdır.

Kendi kendini örgütleyen harita uygulamaları

SOMs, veri analizi ve görselleştirme için çeşitli alanlarda kullanılmaktadır.SOM'ler, benzer veri noktaları tanımlamalarına ve boyutsallığı azaltmaya yardımcı oluyorlar. Common applications include image analysis, market segmentasyon, and bioinformatics.

  • Data visualization
  • Kombinasyon
  • Desen tanıma
  • Özel Ekstraksiyon