我一直在阅读有关自组织图的知识，并且了解算法（我认为），但是仍然有些事情困扰着我。
您如何解释受过训练的网络？
那么，您将如何实际使用它来进行分类任务（一旦完成对训练数据的聚类）？
我似乎发现的所有材料（印刷版和数字版）都集中在算法的训练上。我相信我可能缺少一些关键的东西。
问候
最佳答案
SOM主要是降维算法，而不是分类工具。它们用于降维，就像PCA和类似方法一样（经过训练，您可以检查输入激活了哪个神经元，并使用该神经元的位置作为值），唯一的实际区别是它们保留神经元的能力。给定输出表示的拓扑。
因此，SOM实际生成的是从输入空间X到缩小空间Y的映射（最常见的是2d晶格，使Y成为二维空间）。要执行实际分类，您应该通过此映射转换数据，并运行其他分类模型（SVM，神经网络，决策树等）。
换句话说，-SOM用于查找数据的其他表示形式。表示形式，很容易被人进一步分析（因为它主要是二维的并且可以绘制），并且对于任何其他分类模型来说都非常容易。这是一种可视化高维数据，分析“正在发生的事情”，将某些类进行几何分组等的好方法。但是，不应将它们与其他神经模型（例如人工神经网络或增长的神经气体）混淆。是一个非常相似的概念，但由于它们的用途不同，因此可以直接进行数据聚类。
当然，可以直接使用SOM进行分类，但这是对原始思想的修改，它需要其他数据表示形式，并且通常，它不如在其上使用其他分类器那样有效。
编辑
至少有几种方法可视化受训的SOM：
可以将SOM的神经元渲染为输入空间中的点，其边缘连接拓扑紧密的神经元（仅当输入空间的维数较少（例如2-3）时，这才可能）
在SOM的拓扑上显示数据类-如果您的数据标有一些数字{1,..k}，我们可以将某些k颜色绑定到它们，对于二进制情况，让我们考虑blue和red。接下来，对于每个数据点，我们在SOM中计算其对应的神经元，并将该标签的颜色添加到神经元中。一旦处理完所有数据，我们就绘制SOM的神经元，每个神经元的位置都在拓扑中，其颜色是为其分配的颜色的总和（例如，均值）。如果我们使用一些简单的拓扑（例如2d网格），则这种方法可以为我们提供很好的低维数据表示。在下图中，从第三个图像到最后一个图像是这种可视化的结果，其中red颜色表示标签1 ("yes" answer) and blue means label 2`（“否”的答案）
onc还可以通过计算每个连接的神经元相距多远并将其绘制在SOM的地图上（上图中的第二个子图像）来可视化神经元之间的距离
可以使用某种聚类算法（例如K均值）对神经元的位置进行聚类，并将聚类ID可视化为颜色（第一个子图像）