自己組織化マップ

概要

自己組織化マップ(Self-organizing maps, SOM)は大脳皮質の視野覚をモデル化したニューラルネットワークの一種で教師なし学習によって次元圧縮を実現する技術.任意の次元の入力ベクトルを任意の次元の出力に写像することができるが、入力ベクトルの方が次元が高く、一般的に出力の次元は1次元から3次元に写像することが多い.繰り返し計算によって学習を行う.
Facebookシェア Twitterツイート LINEで送る このエントリーをはてなブックマークに追加
この章を学ぶ前に必要な知識
0
条件
  • 高次元の入力ベクトル
  • 出力したい次元を決めておく
  • 更新の影響する近傍距離を決める
  • 学習係数を決めておく
効果
  • 高次元ベクトルを低次元のマップに結びつける
  • クラスタリングが可能
  • 高次元での関係を可能な限り低次元でも表現
ポイント
  • 入力ベクトルと同等の次元数の重みベクトルを出力層の各ノードが持ち、それを更新するのが学習
  • 幾らかのデータをまとめて処理するバッチ型と一つ一つデータで更新していく逐次型がある.

解 説

自己組織化マップ(Self-organizing maps, SOM)は大脳皮質の視野覚をモデル化したニューラルネットワークの一種で教師なし学習によって次元圧縮を実現する技術. 任意の次元の入力ベクトルを任意の次元の出力(マップ)に写像することができるが、一般的に入力ベクトルの方が次元が高く、出力の次元は1次元から3次元に写像することが多い. 繰り返し計算によって学習を行う.
自己組織化マップ(Self-organizing maps, SOM)とは
自己組織化マップのアルゴリズムについてまとめる. 学習の過程で一つずつ取り出しては学習するものと 何個かのバッチをひとまとめで取り出して学習するものの二つがある. アルゴリズム 1. 自己組織化マップはまず出力マップおよびその中での物販物品 をランダムな値で初期化しておく. 2. 入力ベクトルを使って最もマップの中でユークリッド距離などの距離が短く近いベクトルを見つける. 3. 2.で見つけたベクトルとその近いベクトルの差分を周辺ベクトルにばらまく
自己組織化マップのアルゴリズム
この章を学んで新たに学べる
Comments

Reasons
>>隠す