S.N*_*S.N 6 algorithm machine-learning som self-organizing-maps convergence
我喜欢在Batch SOM收敛时停止执行.我可以使用什么错误函数来确定收敛？
我很确定你的意思是成本函数而不是误差函数.
SOM不需要错误功能(也不需要成本函数).
在机器学习分类法的顶层,SOM是一种无监督学习技术 -没有目标向量,因此没有"目标向量"减去"value_at_the_current_iteration"以最小化.
另一种思考方式:成本函数的作用是最小化一些成本; 在ML中,它是模型计算和提供的数据之间的差异.在SOM中,没有为此目的向算法提供数据.
(我意识到这有点令人困惑,因为创建网络的输入数据通常被称为"训练数据" - 这可能是监督ML技术中输入数据的作用,这种技术远比无监督的ML技术更常见.它可能也令人困惑,因为Teuvo Kohonen,即"发明"SOM的人,最初称他们为一类神经网络 - 当然NN是一种监督技术,并且依赖于成本函数(通常是梯度下降). )
最后,为了确保,我检查了我自己的SOM代码以及Marsland的ML教科书中的代码,"机器学习:算法视角".在我的代码和他的代码中,唯一的停止标准是用户在调用main函数时传入的"最大迭代次数"的值.
当谈论 SOM 的收敛时，对于给定的映射大小 (nxm)，您想知道是否已运行足够的算法迭代以确保映射“稳定”。这意味着，宽泛地说，如果地图被重新训练多次，地图的新输入（观察）是否会被放置在相同的神经元/密码本向量上？（忽略地图的排列可能会在它被重新训练时改变的事实的问题）每次都进行训练，只要集群仍然以稳定的方式排列就可以了）。
为了帮助回答是否运行了足够的迭代的问题，请参阅下面列出的学术论文。这两篇论文还涉及什么地图大小合适的问题（什么 nxm 值有助于确保 SOM 的收敛？）。
这里给出了论文中流行的传统方法之一：
用于评估自组织映射可靠性的统计工具（Bodt、Cottrell、Verleysen）
最近，出现了这种方法，看起来很有前途：
自组织映射的收敛准则，硕士论文，Benjamin h。ott（罗德岛大学）
在我看来，这篇论文写得非常好，读起来很愉快。同样令人高兴的是，这项研究已被编写为 R 中一个（相当未知的）包中的 SOM 收敛测试，称为popsom. 一探究竟：