Self-organizovat mapu
self-organizovat mapu nebo SOM je metoda na unsupervised učení, založený na mřížce umělý neurons jehož váhy jsou přizpůsobené k zápasovým vstupním vektorům v souboru tréninku. To bylo nejprve popsané Teuvo Kohonen, a tak je někdy odkazoval se na jako Kohonen mapa.SOM algoritmus je krmen s vektory rysa, který může být nějakého rozměru. Ve většině aplikacích, nicméně, množství rozměrů bude vysoce. Mapy výstupu mohou také být vyrobeny v jiných dimenzích: 1-rozměrný, 2-rozměrný, etc., ale nejpopulárnější být 2D a 3D mapy, pro SOMs být hlavně užitý na redukci rozměrnosti poněkud než expanze.
algoritmus je vysvětlen nejvíce jednoduše v podmínkách souboru umělý neurons, každý mít jeho vlastnit fyzické umístění na výstupní mapě, který zúčastnit se vítěze-brát-všichni zpracují (konkurenční síť) kde uzel s jeho vektorem váhy nejbližší k vektoru vstupů je deklarován vítěz a jeho váhy jsou nastaveni dělat je bližší k vektoru vstupu. Každý uzel má soubor sousedů. Když tento uzel vyhraje soutěž, váhy sousedů jsou také měněny. Oni nejsou změnění jak hodně ačkoli. Dále soused je od vítěze, menší jeho změna váhy. Tento proces je pak opakován pro každý vektor vstupu, přes a přes, pro číslo (obvykle velký) cyklů. Různé vstupy produkují různé vítěze.
Síť končí stýkající se výstupní uzly se skupinami nebo vzory v souboru vstupních údajů. Jestliže tyto vzory mohou být jmenovány, jména mohou být spojená se sdruženými uzly v trénované síti.
Jako většina umělých neuronových sítí, SOM má dva způsoby práce:
- Během výcvikového procesu mapa je stavěna, neuronová síť organizuje sebe, použití konkurenčního postupu. Síť musí dostat velké množství vektorů vstupu, co možná nejvíce reprezentovat druh vektorů, které jsou čekal během druhé fáze (jestliže některý). Jinak, všechny vektory vstupu musí být poskytnuty několikrát...
- Během procesu mapování nový vstupní vektor může rychle dostat umístění na mapě, to je automaticky zařadil nebo roztřídil. Tam bude jeden jeden vyhrávat neuron: neuron jehož vektor váhy leží nejblíže k vektoru vstupu. (toto může být jednoduše předurčené tím, že spočítá Euclidean vzdálenost mezi vektorem vstupu vektor váhy.)