问题标签 [self-organizing-maps]

通常学习率是我们在开始时决定的一个值，通常它不会在没有迭代的情况下改变。但是在 SOM 中，学习率是随着迭代而变化的，这背后的想法是什么？

据我了解，学习率应该随着迭代次数而降低。这是为什么？

我正在使用somkohonen 包中的函数，并以本教程为指导。

我有一个 31×1400 的数据，但是当我尝试读取计数图时，它与相同数量的样本 (31) 不匹配。我得到的情节给了我大约 100 个样本。

这是我的数据示例

我想使用 R 计算我的 SOM 模型中的量化误差 (qe)。这是我尝试过的代码：

那个代码对吗？还有另一种计算qe的方法吗？

我一直在研究自组织地图的概念，以了解任何类型数据集中的变量/关系并生成一些热图。是否有任何其他机器学习概念/方法可用于对数据进行探索性分析并获得变量之间的关系。

我发现很难理解自组织图和神经气体之间的区别。我阅读了 Wikipedia 文章和Neural Gas Network Learns 拓扑文章。

SOM 算法和神经气体算法看起来非常相似。在这两者中，它都找到了获胜的神经元，获胜的神经元激发了神经元，激发神经元激发了邻域神经元，其中邻域由邻域函数确定。在神经气体中，权重调整为
，而在 SOM 中，权重调整为
。
他们两个是一样的吧？

SOM 算法是 ，神经气体算法是

这两种算法有什么区别？

在文章中它说

我不明白这是什么意思。有人可以帮助我理解这一点。

自组织地图更适合聚类（降维）而不是分类。但是 SOM 用于线性矢量量化以进行微调。但是 LVQ 是一种有监督的学习方法。因此，要在 LVQ 中使用 SOM，应为 LVQ 提供标记的训练数据集。但是由于 SOM 只做聚类而不是分类，因此不能有标记数据，如何将 SOM 用作 LVQ 的输入？

LVQ 是否微调SOM中的集群？
在 LVQ 中使用之前，SOM 是否应该通过另一种分类算法，以便它可以对输入进行分类，以便这些标记的输入可以在 LVQ 中使用？

我正在使用 R 中 kohonen 包中的绘图函数。该函数固有地产生名为“属性图”的标题或我指定的任何不同的绘图。我可以更改名称并对其进行自定义，但我无法更改其大小。

我想删除固有的标题绘图或增加标题的大小。

我附上了一个情节，其中有两个不同的标题。较小的是固有的，较大的是通过标题功能添加的。也给出了相同的代码

我正在使用自组织地图进行图像分割。由 3 个集群进行图像分割。示例图像是：

我已经像下面这样输入了matlab代码：

运行matlab代码后，没有图像分割结果。Matlab显示3图，图1显示完整图像，图2空白，图3空白。

请任何人帮我修改我的matlab代码，是任何错误的代码还是什么？

如何获得包含 SOM 中神经元连接的 n×2 向量？例如，如果我有一个简单的 2x2 hextop SOM，则连接向量应如下所示：

[ 1 2 1 3 1 4 ]

这个向量表示神经元 1 连接到神经元 2，神经元 1 连接到神经元 3，等等。

如何从任何给定的 SOM 中检索此连接向量？

假设我有一个训练有素的 SOM：mySom。我想测试它的质量。一篇有趣的论文给出了一个建议：使用summary(mySom). 这样做会导致：

因此，mean(somres$distances) = 0.02276404似乎是所有元素与最近原型的平均距离。然而，另一个度量值应该代表相同的值：mySom$changes。打印我们找到的那些值：

在将输入呈现给 SOM 100 次后，我们得到每个单元与最近的单元的平均距离：0.0010220923。

问题：mySom$changes[100] != mean(somres$distances)。为什么？