Kohonen自组织映射（SOM）算法描述了如何调整最佳响应神经元及其邻居的神经元输入权重，以适应每个训练样本。

在绘图方面，我得到的是（地图神经元数量）个特征空间维度的向量。这些向量是如何被简化为到处可见的二维图的呢？

此致敬礼！

回答：

SOM是一种无监督聚类算法。因此，它将相似的样本在特征地图上表示得更接近（即，相似的样本会激活更靠近的节点）。

假设你有10000个样本，每个样本有10个特征，以及一个20x20x10的二维SOM（400个节点，每个节点有10个特征）。训练后，你将10000个样本聚类到了400个节点中。此外，你可以通过例如U矩阵（表示节点的权重向量与其最近邻居之间的平均距离的地图）来尝试识别SOM特征地图上的相似区域，或者通过命中地图（表示节点被选为训练数据的最佳匹配单元 – BMU的次数的地图）来消除无用的节点。

因此，在没有任何预处理的情况下，你实现了25倍的简化，通过一些预处理你甚至可以实现更多的简化。

编辑：有关更详细的回答，请参见由@lejlot指出的解释自组织映射。