SOM聚类python第三方库实现（minisom库）

最新推荐文章于 2024-03-26 09:34:00 发布
最新推荐文章于 2024-03-26 09:34:00 发布
阅读量4k 收藏 28
点赞数 2
分类专栏： 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42434055/article/details/107720743
版权

总体介绍：https://github.com/JustGlowing/minisom

例子：https://github.com/JustGlowing/minisom/tree/master/examples

源代码：https://github.com/JustGlowing/minisom/blob/master/minisom.py

聚类示例：https://github.com/JustGlowing/minisom/blob/master/examples/Clustering.ipynb

素颜___man
关注
  • 2
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
minisom：MiniSom是自组织图的简约实现
02-03
MiniSom 自组织图 MiniSom是自组织图（SOM）的一种基于Numpy的简约实现。 SOM是一种人工神经网络，能够将高维数据项之间的复杂，非线性统计关系转换为低维显示器上的简单几何关系。 Minisom旨在使研究人员可以轻松地在其之上进行构建，并使学生能够快速掌握其细节。 有关MiniSom的更新发布在。 安装 只需使用pip： pip install minisom 或将MiniSom下载到您选择的目录并使用安装脚本： git clone https://github.com/JustGlowing/minisom.git python setup.py install 如何使用它 为了使用MiniSom，您需要将数据组织成一个Numpy矩阵，其中每一行都对应一个观测值，或者组织成如下列表的列表： data = [[ 0.80 , 0.55 , 0.22 , 0.03 ], [ 0.82 , 0.50 , 0.23 , 0.03 ], [ 0.80 , 0.54 , 0.22 , 0.03 ], [
python 实现SOM：代码注释与应用示例
wzg2016的博客
11-12 2968
SOM原理介绍可参考：https://zhuanlan.zhihu.com/p/73534694 代码来源：https://github.com/wzg16/minisom 可以直接在环境中安装： pip install minisom 或者下载代码后安装 git clone https://github.com/JustGlowing/minisom.git python setup.py install 以下附录内容来自知乎：https://zhuanlan.zhihu.com/p...
推荐开源项目：MiniSom - 轻量级自组织映射神经网络库
最新发布
gitblog_00042的博客
03-26 303
推荐开源项目：MiniSom - 轻量级自组织映射神经网络库 项目地址:https://gitcode.com/JustGlowing/minisom 项目简介 MiniSom 是一个用Python编写的轻量级自我组织映射（Self-Organizing Map, SOM）神经网络库。SOM是一种无监督学习算法，用于数据可视化和降维，它在模式识别、数据分析等领域有着广泛的应用。 技术分析 自我组织...
自组织神经网络（SOM）的Python第三方库minisom分类功能实现
车手只需要车和手，压力来自轮胎
06-25 2754
minisom分类功能 web：https://github.com/JustGlowing/minisom/blob/master/examples/Classification.ipynb This examples show how to use MiniSom to solve a classification problem. The classification mechanism will be implemented with MiniSom and the evaluation will
自组织神经网络（SOM）的Python第三方库minisom聚类功能实现
车手只需要车和手，压力来自轮胎
06-25 5071
聚类功能 In this example we will see how to use MiniSom to cluster the iris dataset. First, let’s load the data and train our SOM: from minisom import MiniSom import numpy as np import pandas as pd data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-le
自组织映射(SOM)聚类分析Python第三方库实现＜minisom＞
车手只需要车和手，压力来自轮胎
06-25 8846
转载于：https://github.com/JustGlowing/minisom 最近在做SOM神经网络模型的项目，之前一直在用Matlab的工具箱，一直想转成Python的代码来实现，就到处找，结果还真有SOM相关的库。 直接上教程 自组织地图 MiniSom 是自组织映射 (SOM) 的简约和基于 Numpy 的实现。SOM 是一种人工神经网络，能够将高维数据项之间复杂的非线性统计关系转换为低维显示器上的简单几何关系。Minisom 旨在让研究人员能够轻松地在其基础上进行构建，并让学生能够快速掌握其
基于 Numpy - MiniSom 创建颜色量化模型
xx_yan的博客
03-07 2871
目录概述颜色量化系统环境实验环境搭建导入加载图像SOM 初始化和训练向量量化创建新图像显示结果运行结果 概述 颜色量化 减少原图像中所用颜色，让新图像尽可能地从视觉上和原图像相似。 搭建一个模型，可以学习一张图像中的颜色，然后用学到的知识来重构原图像。 系统环境 macOS 10.14 实验 环境搭建 安装Numpy python -m pip install numpy scipy matplo...
minisom的Python源码
12-03
minisom的源码以及jupyter文件的讲解，som网络的一种形式
聚类算法——python实现SOM算法
热门推荐
和服务器度过的夏天
05-18 2万+
算法简介SOM网络是一种竞争学习型的无监督神经网络，将高维空间中相似的样本点映射到网络输出层中的邻近神经元。训练过程简述：在接收到训练样本后，每个输出层神经元会计算该样本与自身携带的权向量之间的距离，距离最近的神经元成为竞争获胜者，称为最佳匹配单元。然后最佳匹配单元及其邻近的神经元的权向量将被调整，以使得这些权向量与当前输入样本的距离缩小。这个过程不断迭代，直至收敛。网络结构：输入层和输出层（或竞争
数据挖掘学习——SOM网络聚类算法+python代码实现
weixin_52135595的博客
10-03 5387
当一个神经元被激活时，最近的邻居节点往往比那些远离的邻居节点更兴奋。从图中可以看到，输出层的每个节点，通过D条权边与输入节点相连（即输出层的每个节点用一个D维权重Wij来表征），其中输出层中每个节点之间按照距离远近存在一定联系。不仅获胜的神经元能够得到权重更新，它的邻居也将更新它们的权重，尽管不如获胜神经元更新的幅度大。大白话：计算各个神经元和第二步选取的训练样本点之间的拓扑距离，距离最近的就是胜出的权向量点（winner）可以理解为最近的权向量节点向样本点移动一定距离，同时邻近节点也移动一定的距离。
用实例讲明如何利用SOM神经网络进行聚类
10-04
本资源主要是机器学习——自组织特征映射网络（SOM）的Matlab代码及数据，应读者要求特上传，用于大家练习使用。
som_python
08-12
使用python编写的SOM神经网络代码，测试可用，内含测试数据文件
Python库 | geostatspy-0.0.8.tar.gz
04-09
资源分类：Python库 所属语言：Python 资源全名：geostatspy-0.0.8.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
一个很好的SOM程序代码
04-18
该程序具体用一神经网络SOM实现了倒立摆的平衡控制，并取得了很好的效果。
som.zip_SOM_python的信号_som算法_som聚类python
09-19
som算法,python实现的，主要用于信号的聚类
SOM.rar_SOM 聚类_python SOM聚类_som聚类_分类_聚类
09-25
我们使用python实现了一个som聚类算法
自组织映射网络 ——python实现SOM（用于聚类）
01-13
SOM（Self Organizing Maps ） 的目标是用低维目标空间的点来表示高维空间中的点，并且尽可能保持对应点的距离和邻近关系（拓扑关系）。该算法可用于降维和聚类等方面，此代码主要用于实现聚类。
som聚类_SOMmatlab_som聚类_SOM_聚类_
10-03
som聚类的一个实际应用例子，对鱼的种类进行聚类区分
som聚类实现 csdn
06-01
对于实现 SOM (Self-Organizing Maps) 聚类算法，CSDN 上有很多相关的文章和代码示例。以下是一个简单的 Python 实现，供您参考： ```python import numpy as np class SOM: def __init__(self, input_dim, output_dim, learning_rate=0.1, sigma=1.0): self.input_dim = input_dim self.output_dim = output_dim self.learning_rate = learning_rate self.sigma = sigma self.weights = np.random.randn(output_dim[0], output_dim[1], input_dim) def train(self, data, epochs): for epoch in range(epochs): for i, x in enumerate(data): bmu = self.get_bmu(x) self.update_weights(x, bmu, epoch) def get_bmu(self, x): # 计算最优神经元（BMU） dists = np.sum((self.weights - x)**2, axis=2) return np.unravel_index(np.argmin(dists), dists.shape) def update_weights(self, x, bmu, epoch): # 更新神经元权重 lr = self.learning_rate * np.exp(-epoch / 1000) sigma = self.sigma * np.exp(-epoch / 1000) for i in range(self.output_dim[0]): for j in range(self.output_dim[1]): d = np.sum((np.array([i, j]) - np.array(bmu))**2) h = np.exp(-d / (2 * sigma**2)) self.weights[i, j] += lr * h * (x - self.weights[i, j]) ``` 其中，`input_dim` 表示输入数据的维度，`output_dim` 表示 SOM 网格的维度，`learning_rate` 和 `sigma` 分别为学习率和高斯函数的标准差。`train` 方法用于训练 SOM 网络，`get_bmu` 方法用于计算最优神经元（Best Matching Unit），`update_weights` 方法用于更新神经元权重。 使用时，可以先将数据转换为二维数组形式，然后调用 `SOM` 类的实例进行训练。例如： ```python data = np.random.randn(100, 2) som = SOM(input_dim=2, output_dim=(10, 10)) som.train(data, epochs=1000) ``` 训练完成后，可以使用 `weights` 属性获取神经元权重，进而进行聚类等操作。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值