自己組織化マップは

Question

私は、自己組織化マップ上の質問があります。各ニューロンは、ランダム値に初期化された二重値のベクトル（入力ニューロンのサイズの別の配列）で構成されています。

私がアルゴリズムを理解する限り、これは実際には実装する必要があります。

トレーニングのために、トレーニングデータのサンプルをランダムに選択し、サンプル値のユークリッド距離とニューロンの重みを使用してBMUを計算します。

その後、近傍の関数と学習率に応じて、重みとそれ以外のすべてのニューロンを更新します。

次に、近傍関数と学習率を下げます。

これは、固定量の反復まで実行されます。

私の質問は次のとおりです。トレーニング後にクラスターを決定するにはどうすればよいですか？今までの私のアプローチは、新しい入力ベクトルを提示し、それとBMUとの間の最小ユークリッド距離を計算することです。しかし、これは私にとっては少しばかり純粋ではないようです。私は何かを逃したと確信しています。

Answer 1

正しい方法はありません。あなたが指摘したように、BMUを見つけることはそれらの1つであり、最も類似したクラスタを探したいだけならBMUを見つけることができます。

入力ベクトルを再構成したい場合は、BMUプロトタイプを返すこともできますが、それはあまり正確ではありません（Nearest Neighborルールまたは1NNと同等です）。その後、より良い再構成を見つけるためにニューロン間を補間する必要があります。これは、各ニューロンに入力ベクトルまでの距離に反比例するように重み付けし、次に加重平均を計算することによって行うことができる（これは加重KNNに等しい）。この補間は、BMUの近隣にのみ制限することもできます。これにより、より高速に動作し、より良い結果が得られます（これは5NNの重み付けされます）。この技術はここで使用されました：The Continuous Interpolating Self-organizing Map。

これらのさまざまなオプションは、http://www.inf.ufrgs.br/~rcpinto/itm/（SOMではありませんが、近いところにあります）で確認できます。 "適用"をクリックして、再構成されたベクトルを使用して曲線の回帰を行い、次に "回帰を描く"にチェックを入れ、さまざまなオプションを試してください。

ところで、実装の説明は正しいです。

Answer 2

最近、非常に一般的なアプローチとして、ソフト・サブスペース・クラスタリングがあります。ここでは、最も関連性の高いフィーチャを見つけるためにフィーチャ・ウェイトが追加されています。これらの重みを使用して、ユークリッド距離でパフォーマンスを向上させ、BMUの計算を改善することができます。