Algorithm （批）SOM（自组织映射，又名“Kohonen映射”）的收敛准则？

我喜欢在批处理SOM聚合时停止执行。

---

我可以用什么样的误差函数来确定收敛性？

我很确定你指的是成本函数而不是误差函数

SOM不需要错误函数（也不需要代价函数）

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“当前迭代中的值”来最小化

另一种思考方式是：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值。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”--可能这就是有监督的ML技术中输入数据的作用，这比无监督的技术更常见。这也可能令人困惑，因为“发明”SOM的人Teuvo Kohonen最初将其称为一类神经网络——当然，NN是一种有监督的技术，并且依赖于成本函数（通常是梯度下降。）

---

最后，为了确保这一点，我检查了自己的SOM代码以及Marsland的ML教科书“机器学习：算法透视图”中的代码。在我的代码和his中，唯一的停止标准是“最大迭代次数”的值用户在调用main函数时传入。当谈到SOM的收敛性时，对于给定的映射大小（nx m），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，不严格地说，进行新的输入（观察）如果映射被多次重新训练，则映射将被放置在相同的神经元/码本向量上（忽略这样一个问题，即每次训练时映射的排列可能会改变，只要簇仍然以稳定的方式排列就可以了）

为了帮助回答是否已经运行了足够的迭代的问题，请参阅下面列出的学术论文。这两篇论文还涉及到什么样的映射大小是合适的问题（什么n x m值有助于确保SOM的收敛？）

本文给出了在论文中流行的一种传统方法：

最近，这种方法出现了，看起来很有希望：

在我看来，这篇论文写得很好，读起来也很愉快。同样令人高兴的是，这项研究被写成了一个SOM收敛测试，它位于R中的一个（相当未知）包中，名为

popsom

。请查看：

---

非常感谢。我想知道您是否知道关于批处理SOM实现的好参考。我在网上发现了许多串行SOM实现，但没有批处理一个。在我的实现中，平均成本（训练数据和神经元之间的距离）减少，但一些神经元的成本增加…代码必须缺少一些…这里有一个C++（没有看过）：这里是Python实现（）；链接是Stephen Marsland的ML-教科书的主页；在这一页上，他张贴了书中使用的所有代码（滚动到CH 9，您将看到SOM代码）在R开源软件包

class

（基本版），

kohonen

，

popsom

…中，也有为SOM编写的C代码。。。