针对SOM的Kohonen算法说明了如何针对每个训练示例调整最佳响应神经元及其邻居的输入权重。
当涉及到绘图时，我剩下了（地图神经元的数量）很多特征空间Dimension的向量。如何减少这种二维图显示在各处？
亲切的问候！
最佳答案
SOM是一种非监督式聚类算法。因此，它表示相似的样本，在特征图上更近（也就是说，相似的样本将触发更靠近的节点）。
因此，假设您有10000个具有10个特征的样本，以及一个20x20x10的2d-SOM（400个具有10个特征的节点）。因此，在训练之后，您将10000个样本聚集成400个节点。此外，您可以尝试通过例如U矩阵（表示节点权重向量与其最邻近邻居之间的平均距离的地图）在SOM特征图上标识相似区域，或者通过“命中图”（代表节点被选为最佳匹配单位的次数的地图-训练数据的BMU）。
因此，无需任何预处理，您可以减少25倍，甚至可以减少25倍。
编辑：
有关更详细的答案，请参见Interpreting a Self Organizing Map，如@lejlot所示
关于machine-learning - 绘制Kohonen map -了解可视化，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/26911018/