SOMとは何ですか？

SOMは、自己組織化特徴マップを表します。これはクラスタリングであり、データの視覚化アプローチはニューラルネットワークの視点に依存します。 SOMの目的は、重心のセット（SOM用語では参照ベクトル）を検出し、そのオブジェクトの最適な近さをサポートする重心にデータセット内の各オブジェクトを作成することです。ニューラルネットワーク手法では、各重心に関連するニューロンが1つあります。

インクリメンタルK-meansと同様に、データオブジェクトは一度に1つずつフェーズされ、最も近い重心が更新されます。 K-meansとは異なり、SOMは重心に地形シーケンスを課し、近くの重心もアップグレードされます。さらに、SOMはオブジェクトの最近のクラスターメンバーシップを記録しません。また、K-meansとは異なり、オブジェクトがクラスターを切り替える場合、古いクラスター重心の特定の更新はありません。

古いクラスターは新しいクラスターの近くにある可能性があるため、そのために更新することができます。ポイントの処理は、事前に決定された制限に達するか、図心があまり変換されなくなるまで続行されます。 SOMアプローチの最後の出力は、クラスターを暗黙的に表す重心のセットです。各クラスターには、特定の重心に最も近いポイントが含まれています。

各図心は、座標（i、j）のペアで作成されます。このようなネットワークは、隣接するノード間の接続で描画される場合がありますが、ある重心の別の重心のパワーは、リンクではなく座標の方法で表される近傍であるため、誤解を招く可能性があります。 SOMニューラルネットワークにはいくつかの種類がありますが、この議論を、重心が長方形または六角形に編成された2次元SOMに限定することができます。

SOMで使用される図心には、事前に決定された地形シーケンスの関係があります。トレーニング手順中に、SOMは各データポイントを必要とし、地形シーケンスで最も近い重心と近くにある重心を更新します。この方法では、SOMは任意のデータセットに対して順序付けられた重心のセットを生成します。

別の言い方をすれば、SOMグリッド内で互いに近い重心は、遠くにある重心よりも互いに密接に関連付けられています。この制約があるため、2次元SOMの重心は、n次元データをさらに可能に適合させようとする2次元表面上にあると見なすことができます。