如何做一个U型矩阵？(How do I make a U-matrix?)

究竟如何以可视化构建的U型矩阵自组织映射？更具体地说，假设我有3×3的节点（即已经被训练）的输出电网，如何从这个构建一个U型矩阵？您可以如假设神经元（和输入）具有尺寸4。

我已经在网上找到了一些资源，但他们并不清楚，或者它们是矛盾的。例如，原来的纸充满错别字。

Answer 1:

一U矩阵是在输入数据中维空间的神经元之间的距离的视觉表示。即你计算相邻的神经元之间的距离，使用他们的受过训练的载体。如果输入维数为4，则在训练地图每个神经元还对应于4维向量。比方说，你有一个3×3的六边形地图。

该U矩阵将是一个5x5矩阵具有用于这样两个神经元之间的每个连接元件的内插

的{X，Y}元素是神经元x和y之间的距离，并在{X}的元素的值是周围的值的平均值。例如，{4,5} =距离（4,5）和{4} =平均值（{1,4}，{2,4}，{4,5}，{4,7}）。对于距离的计算使用的每个神经元的训练4维向量和时使用的地图（通常欧几里德距离）的训练距离公式。这样，U形矩阵的值是唯一的数字（未矢量）。然后你就可以浅灰色到最大的这些值的和暗灰色的最小和其他值分配给相应的灰色阴影。您可以使用这些颜色来彩绘U型基质的细胞和神经元具有之间的距离的可视化表示。

也看看这个网站的文章。

Answer 2:

在该问题时所引用的原始论文：

Kohonen的算法的幼稚应用，但保留输入数据的拓扑结构是不能够显示输入数据的内在集群。

首先，这是真的，其次，它是SOM的深刻错误的理解，第三它也是计算SOM为目的的错误认识。

只取RGB色空间为例：是有3色（RGB），或6（RGBCMY）或8（+ BW），或更？你如何定义一个独立的目的，即在数据本身所固有的？

我的建议是不要使用群集边界的最大似然估计的话 - 连这么基本的人的U型矩阵 - ，因为底层的说法已经有缺陷的。无论哪种方法，你再使用，以确定群集，可以继承该漏洞。更确切地说，群集边界的确定都不有趣，它是关于建立一个SOM的真实意图信息丢失。那么，我们为什么要建立从数据SOM的？让我们先从一些基础知识：

任何SOM是数据空间的代表性模型，因为它减少了后者的维数。因为这是它可以被用作诊断以及预测工具的模型。然而，这两种情况都不会被一些普遍的客观理由。相反，模型是深深依赖于目的和错误接受相关的风险。
让我们假设了一会儿U型矩阵（或类似）是合理的。因此，我们在地图上确定一些集群。它不仅是一个问题，如何证明它的标准（目的本身之外），这也是有问题的，因为任何进一步的计算破坏的一些信息（这是一个关于模型的模型）。
在SOM的唯一有趣的是精度本身即分类的错误，而不是它的一些估计。因此，在验证和稳健性方面的模型估计是很有趣的嘛。
任何预测有一个目的和预测的接受是精确度，这反过来又可以通过分类误差来表示的函数。需要注意的是可以为2级车型以及为多类模型确定的分类错误。如果你没有一个目的，你不应该跟你的数据什么。
相反，“集群数”的概念是完全依赖于“允许群内差异”的标准，因此被屏蔽的数据结构的最重要的事情。这也取决于风险和风险结构（类型方面I / II错误），你愿意承担。
那么，我们怎么能确定一个SOM数类？如果没有外部先验推理可用，唯一可行的办法将是优度拟合后验检查。在给定的SOM，在误分类成本方面并处类不同数量和测量偏差，然后选择（主观）最令人愉快的一个（使用一些奇特的启发，像奥卡姆剃刀）

两者合计，U形矩阵是假装客观性其中没有客观性可以。这是完全模拟的一个严重的误解。恕我直言，这是的SOM的最大优势在于通过它隐含的所有参数都可以访问和开放是一个参数。像U型矩阵的方法破坏了这一点，通过忽视这种透明和不透明统计推理然后再将它关闭。

文章来源: How do I make a U-matrix?