我一直在阅读关于自组织映射的内容，我认为我理解了算法，但有些东西仍然让我困惑。

如何解释训练后的网络？

然后，如何实际使用它来进行分类任务（一旦你用训练数据完成了聚类）？

我似乎找到的所有材料（印刷和数字）都集中在算法的训练上。我认为我可能错过了某些关键的东西。

回答：

SOM主要是一种降维算法，而不是分类工具。它们用于降维，就像PCA和类似的方法一样（一旦训练完成，你可以检查哪个神经元被你的输入激活，并使用这个神经元的位置作为值），唯一的实际区别是它们能够保留给定的输出表示拓扑结构。

因此，SOM实际产生的是从你的输入空间X到降维空间Y的映射（最常见的是二维网格，使Y成为二维空间）。要进行实际分类，你应该通过这个映射转换你的数据，并运行其他分类模型（如SVM、神经网络、决策树等）。

换句话说，SOM用于寻找数据的其他表示。这种表示对于人类进一步分析很容易（因为它主要是二维的，可以绘制图表），对于任何进一步的分类模型也非常容易。这是可视化高维数据、分析“发生了什么”、某些类别如何几何分组等的绝佳方法。但它们不应与其他神经模型（如人工神经网络甚至是生长神经气体（这是一个非常相似的概念，但直接提供数据聚类））混淆，因为它们的用途不同。

当然，人们可以直接使用SOM进行分类，但这是对原始想法的修改，需要其他数据表示，一般来说，它的效果不如在其上使用其他分类器那么好。

编辑

至少有几种方法可以可视化训练后的SOM：

• 可以将SOM的神经元渲染为输入空间中的点，并用边连接拓扑上接近的神经元（这只有在输入空间的维数较少，如2-3维时才可能）
• 在SOM的拓扑结构上显示数据类别 – 如果你的数据标有某些数字{1,..k}，我们可以将k种颜色绑定到它们上，对于二元情况，让我们考虑蓝色和红色。接下来，对于每个数据点，我们计算它在SOM中对应的神经元，并将此标签的颜色添加到神经元中。一旦所有数据都被处理，我们绘制SOM的神经元，每个神经元都以其在拓扑中的原始位置显示，颜色是分配给它的颜色的某种聚合（例如平均值）。如果我们使用像二维网格这样的简单拓扑结构，这种方法会给我们一个很好的低维数据表示。在下面的图像中，从第三个子图像到最后的子图像是这种可视化的结果，其中红色表示标签1（“是”答案），蓝色表示标签2`（“否”答案）
• 还可以通过计算每个连接的神经元之间的距离，并在SOM的地图上绘制它，来可视化神经元之间的距离（上述可视化的第二个子图像）
• 可以使用某种聚类算法（如K-means）对神经元的位置进行聚类，并将聚类ID可视化为颜色（第一个子图像）