知识卡片
SOM聚类:获胜节点与优胜邻域
SOM 的聚类过程从随机抽取一个样本开始。先计算当前迭代的学习率与学习半径,再寻找获胜节点:计算样本与各权重向量的距离,取距离最小者。接着计算优胜邻域:由获胜节点在输出网格中的位置,找出半径范围内的所有节点。然后调整权值:对邻域内每个节点,按学习率把其权重向样本拉近。如此迭代,权重逐渐形成保持输入拓扑的分布。学习率与半径都随迭代动态收缩,前期大范围粗调、后期小范围精调。要点:SOM 只有输入层和输出层两层,输出层神经元之间还有侧向连接,这是它能形成拓扑模式的结构基础。
结构图:
flowchart TD
A[随机抽取样本] --> B[计算当前学习率与半径]
B --> C[寻找获胜节点 距离最小]
C --> D[确定优胜邻域 半径内节点]
D --> E[按学习率调整邻域权值]
E --> F{达到迭代次数?}
F -->|否| A
F -->|是| G[输出聚类标签]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第6章 神经网络初步 · 查看原书依据
寻找获胜节点:计算数据集中其他样本与此样本的距离,从中找到点积最小的获胜节点。 计算优胜邻域:根据这两个节点计算出聚类的邻域,并找出此邻域中的所有节点。 调整权值:根据学习率、样本数据调整权重。
参考来源
- 位置:《机器学习算法原理与编程实践》第6章 神经网络初步(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00022.html)
- 结论依据:原文列出 SOM 聚类过程的接受输入、寻找获胜节点、计算优胜邻域、调整权值等步骤,并说明学习率与半径动态收缩,支撑该流程图。
- 原始内容:寻找获胜节点:计算数据集中其他样本与此样本的距离,从中找到点积最小的获胜节点。 计算优胜邻域:根据这两个节点计算出聚类的邻域,并找出此邻域中的所有节点。 调整权值:根据学习率、样本数据调整权重。