问题标签 [self-organizing-maps]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
data-visualization - 在自组织地图或虹膜数据集中可视化类标签
我正在尝试为 Iris 数据集 ( https://archive.ics.uci.edu/ml/datasets/Iris ) 生成 SOM 映射的可视化。
到目前为止我的代码：
产生这个映射：
有没有办法自定义调色板，让它看起来像这个更好？（取自https://github.com/JustGlowing/minisom）？
基本上我正在尝试使用更好的调色板（可能颜色更少）并以更好的方式标记类标签。
谢谢你。
r - 在 R 中创建 SOM 六边形图
我正在尝试使用Kohonen Package在 R 中创建 SOM Hexagonal Map 。
我在运行这个包时遇到了几个问题。有时我会收到一条消息，上面写着：
“sample.int(length(x), size, replace, prob) 中的错误：当 'replace = FALSE' 时，不能抽取大于总体的样本”
尽管我的样本是 1,000 个观察值并且我使用 100x50 图表，但我收到了这条消息。
我正在复制这段代码，但不是很成功。
r - 在 R 中创建 SOM 时的空节点
我正在尝试根据具有不同离散分类（标签）的记录创建 SOM 映射，如下例所示
我面临的问题是 SOM 中有很多空节点。根据我的阅读，每个节点应该有 5-10 条记录，但仍然无法正常工作。
是不是所有的观察结果都大不相同？
python - TensorFlow 使用自组织地图识别性能问题
我需要一些帮助来确定我遇到的性能问题。我正在使用https://codesachin.wordpress.com/2015/11/28/self-organizing-maps-with-googles-tensorflow/中的代码作为自组织地图的基础。此代码在 CPU 上运行 10 秒，在 GPU 上运行 40 秒。我激活了日志并修改了代码以关联张量板中变量的名称，但我无法确定导致此性能问题的原因。你能告诉我可能发生了什么吗？我已将代码转换为在最新版本的 Tensorflow 中运行。
谢谢您的帮助。
按照代码更改。
python - Tensorflow 中的动画自组织地图
我发现这个对使用 tensorflow 实现自组织地图非常有用的博客。我尝试在其上运行 scikit learn iris 数据集，结果见下图。为了了解 SOM 是如何演变的，我想为我的图表制作动画，这就是我卡住的地方。我找到了一些动画的基本示例：
要制作动画，我必须编辑 som.py 的 train 函数，因为循环的训练被封装在那里。它看起来像这样：
评论是我尝试实现动画，但它不起作用，因为在基本示例中，ims 列表是 matplotlib 对象，而在训练函数中，列表是 4d numpy 数组。
总而言之，我怎样才能为我的情节设置动画？提前感谢您的帮助。
这是我的完整代码：
som.py
用法.py
r - 在插入符号中训练有监督的自组织地图：在 3.1.0 中有效，但在 3.3.2 中无效；缺少所有 Kappa 指标值：
我正在 R 中尝试一个 subervised SOM，它适用于 R 版本 3.1.0 但不适用于 3.3.2。这是它在 3.1.0 中正常工作：
在这里它在 3.3.2 中不起作用：
警告是：
我觉得未使用的论点很重要。在过去使用插入符号时，当我在对插入符号的调用中删除多余的“verbose = FALSE”参数时，该错误消息已经消失。但是在这里我不知道如何阻止 xweight 和 contin 通过。谢谢。
neural-network - 自组织图的稳定状态
如何在训练期间识别自组织图的稳定状态？我需要这个来控制我的迭代（即在稳定时继续或停止训练）。我曾尝试查看拓扑误差的百分比变化，也意味着量化误差，但这两者一直在变化并且永远不会达到稳定状态。
neural-network - 基于复杂性添加层的神经网络架构？
我正在寻找基于需要或训练数据的复杂性/可变性而增长的神经网络架构的现有工作。我发现的一些架构包括自组织地图和不断增长的神经气体。外面只有这些吗？
我正在寻找的最好用一个简单的场景来说明；如果训练数据只有几个模式，那么神经网络将有 2-3 层深，每层都有一小部分节点。如果训练数据更复杂，那么我们会看到更深的网络。
这样的工作在 AI 文献中似乎很少或不存在。是因为性能比较弱吗？我会很感激任何指导。
self-organizing-maps - 计算自组织图中的神经元距离以进行聚类
我想使用自组织地图进行聚类。我正在使用 10 个神经元，这意味着其中有 100 个包含元素的簇。如何计算神经元与其相邻神经元的距离
machine-learning - Encog中的循环自组织图用于无监督的上下文聚类
机器学习 - 太棒了！
我有一个小项目，我想用它来识别未标记数据中的异常。因此，无监督聚类。
但是，数据的顺序也很重要，因为单个记录可能不重要，但它之前的记录顺序可能会使其异常。
所以我正在考虑构建一个循环 SOM 来添加时间上下文。
我已经使用 Python Graphlab Create、Azure 机器学习和 Encog ML 框架训练了一些简单的机器学习模型，但 Azure 似乎不提供无监督集群，我倾向于使用 Encog。
我看过 Encog 和 SOM 中的递归神经网络，但我不知道如何将两者结合起来。大多数关于反馈/循环 SOM 机器学习的在线文章大多是学术性的。
使用 Encog 做这件事有什么好的参考吗？