收敛准则（批）SOM（自组织图，又名“Kohonen网络地图”）？

Question

我喜欢当批处理SOM变为会聚到停止执行。 我可以使用哪些误差函数来确定收敛？

Answer 1

在谈到收敛的SOM，对于给定的地图大小为（N×M），你想知道的算法足够迭代是否已经运行，以确保地图是“稳定”。这意味着，严格意义上做新的投入（意见），以地图的放入同一神经元/码本矢量如果地图是重新训练多少次？（忽略的事实问题，地图的布置可以切换左右时，每个时间，这是细只要簇仍然布置以稳定的方式）被训练。

要帮助回答的足够的迭代是否已经运行的问题，请参见下面列出的学术论文。这两篇论文也触及了什么地图大小合适的问题（什么n×m的值有助于确保SOM的收敛？）。

指已流行于论文在这里给出了传统方法的：

统计工具来评估自组织映射的可靠性（Bodt，科特雷尔，Verleysen）

最近，该方法具有大约来，这看起来相当有希望的：

甲收敛准则自组织映射 ，硕士论文，本杰明小时。 OTT（罗德岛大学）

这个论断，在我看来，真的写得很好，读来引人入胜。什么也好看的是，这项研究已被写入了作为一个（而未知）封装在R A SOM收敛测试，称为popsom。检查出来：

popsom

Answer 2

我敢肯定你的意思是成本函数，而不是错误的功能。

SOM不需要的误差函数（也没有一个成本函数）。

目前的机器学习分类的顶层，SOM是一个的无监督学习技术 - 无目标矢量，因此没有“目标矢量”减“value_at_the_current_iteration”最小化

想起来的另一种方法：代价函数的作用是尽量减少一些成本;在ML，它的模型计算并提供数据之间的增量。在SOM，没有数据被提供给算法用于此目的。

（我知道这有点令人迷惑，因为从该网络所产生的输入数据通常被称为“训练数据” - 或许这是输入数据的监督ML技术，这些都远远超过普通的作用。无监督的人它可能也令人困惑，因为特沃·科霍嫩，用“发明了” SOM，原指他们作为一类神经网络的记的人 - 当然NN是有监督的技术，它依赖于成本函数（通常梯度下降。））

最后，只是为了确保，我通过Marsland“：一个算法的角度看学习机”检查了我自己的SOM代码和代码从ML教科书。在这两个我的代码和他，唯一停止准则对当他打电话的主要功能通过“最大迭代”用户任意值。