聚类分析 | SOM聚类（Python）

Kohonen自组织映射（Self-Organizing Map，SOM）是一种无监督学习算法，用于数据降维、聚类和可视化。
Kohonen SOM的核心思想是将高维输入空间映射到低维拓扑结构（通常是一个二维网格）中，保持输入数据的拓扑关系。

包括以下关键组成部分：

输入层：包含原始数据的特征向量。
网络结构：通常是一个二维网格，每个神经元代表一个权重向量。
距离度量：通常使用欧氏距离来衡量输入向量和权重向量之间的相似性。
学习规则：SOM使用竞争性学习，根据输入数据和神经元之间的距离来更新权重。
SOM的主要目标是实现拓扑映射，使得相似的输入数据映射到邻近的神经元上。这种映射可以帮助我们进行数据聚类和可视化。
使用Python和NumPy来构建和训练SOM模型。

将使用一个简单的2D数据集，模拟一个SOM模型，然后绘制结果以进行可视化。

import numpy as np

数据集

data = np.array([[2, 3], [3, 4], [4, 3], [6, 5], [9, 8], [8, 7]])

SOM参数

input_size = 2
output_size = (5, 5) # 5x5的SOM网格
epochs = 100
learning_rate = 0.1

初始化权重

weights = np.random.rand(output_size[0], output_size[1], input_size)

训练模型

<