רשת קוהונן – הבדלי גרסאות
תוכן שנמחק תוכן שנוסף
מ קטגוריה |
|||
שורה 6:
המטרה היא, שלאחר מס' רב של איטרציות, בהן הניורון הנבחר (BMU - Best Matching Unit) ושכניו, יתכנסו למצב בו הם מייצגים וקטורים קרובים יחסית מהמימד המקורי. כך, מסייע האלגוריתם להורדת מימד, בכך שהוא משמר גם במימד הנמוך את הקירבה בין הווקטורים במימד המקורי. ניתן להשתמש גם בגריד תלת-ממדי. זה נעשה באמצעות מטריצת משקלים (נקרא גם מטריצת שכנויות) המוגדרת על ידי המשתמש, בה בדרך כלל נותנים משקל מרבי לאיבר המרכזי במטריצה, וככל שמתרחקים מהמרכז, המשקלים פוחתים (כמו למשל במסיכה גיאוסיאנית). במהלך האימון, כל דגימה במימד n מחפשת את הניורון בגריד שהכי קרוב אליו במרחק אוקלידי. לאחר שניורון זה נבחר (לניורון כזה קוראים BMU), מטריצת השכנויות תמוקם כך שניורון זה יהיה במרכזה, ואז יתבצע האימון על כל הניורונים שבסביבה (כמובן כולל את ניורון ה-BMU עצמו), ע"פ המשקלים של המטריצה. כך, בעזרת מטריצת השכנויות, נוצר מצב בו "שכנים" בגריד "מתקרבים" אחד לשני במרחק האוקלידי שלהם.
האלגוריתם מתאים גם ל-clustering כאשר כל אחד מאיברי הגריד הוא קלאסטר. במקרים בהם אין מבחינת המשתמש חשיבות רבה להורדת המימד, אלא רק ל-clustering, ניתן אף להשתמש בגריד של מימד אחד (במילים אחרות - וקטור אחד של ניורונים). גם שימוש בגריד של מימד אחד צפוי למקם באינדקסים צמודים קלאסטרים קרובים מהמימד המקורי, דבר שנותן ערך מוסף על אלגוריתם clustering רגיל שאין בו סדר. השימוש לטובת clustering הוא מקרה פרטי של השימוש באלגוריתם זה.
==אלגוריתם הלמידה==
| |||