深度学习自组织映射网络 ——python实现SOM（用于聚类）

最新推荐文章于 2025-06-07 15:31:51 发布

原创

最新推荐文章于 2025-06-07 15:31:51 发布 · 1.3w 阅读

97 ·

CC 4.0 BY-SA版权

文章标签：

#聚类 #算法 #python #机器学习 #深度学习

本文聚焦SOM算法，其目标是用低维空间点表示高维空间点并保持拓扑关系，可用于降维和聚类。通过Python实现该算法在聚类方面的应用，封装代码方便调用，还给出对簇形状数据集聚类的计算实例，仅五步就能实现较好聚类结果。

深度学习自组织映射网络 ——python实现SOM（用于聚类）

摘要
python实现代码
计算实例

摘要

SOM（Self Organizing Maps ） 的目标是用低维目标空间的点来表示高维空间中的点，并且尽可能保持对应点的距离和邻近关系（拓扑关系）。该算法可用于降维和聚类等方面，本文通过python实现了该算法在聚类方面的应用，并将代码进行了封装，方便读者调用。
下图为正文计算实例的可视化图形。
在这里插入图片描述

python实现代码

net：竞争层的拓扑结构，支持一维及二维，1表示该输出节点存在，0表示不存在该输出节点
epochs：最大迭代次数
.r_t：[C,B] 领域半径参数，r = C*e**(-B * t/eoochs),其中t表示当前迭代次数
eps：[C,B] learning rate的阈值
用法：指定竞争层的拓扑结构、 最大迭代次数、领域半径参数、学习率阈值（后三个参数也可不指定），竞争层的拓扑结构的节点数代表了聚类数目，然后直接调用fit(X) 进行数据集的聚类。

# -*- coding: utf-8 -*-
# @Time : 2021/1/12 22:37
# @Author : CyrusMay WJ
# @FileName: SOM.py
# @Software: PyCharm
# @Blog ：https://blog.csdn.net/Cyrus_May
import numpy as np
import random

np.random.seed(22)

class CyrusSOM(object):
    def __init__(self,net=[[1,1],[1,1]],epochs = 50,r_t = [None,None],eps=1e-6):
        """
        :param net: 竞争层的拓扑结构，支持一维及二维，1表示该输出节点存在，0表示不存在该输出节点
        :param epochs: 最大迭代次数
        :param r_t:   [C,B]    领域半径参数，r = C*e**(-B*t/eoochs),其中t表示当前迭代次数
        :param eps: learning rate的阈值
        """

        self.epochs = epochs
        self.C = r_t[0]
        self.B = r_t[1]
        self.eps = eps
        self.output_net = np.array(net)
        if len(self.output_net.shape) == 1:
            self.output_net = self.output_net.reshape([-1,1])
        self.coord = np.zeros([self.output_net.shape[0],self.output_net.shape[1],2])
        for i in range(self.output_net.shape[0]):
            for j in range(self.output_net.shape[1]):
                self.coord[i,j] = [i,j]
        print(self.coord)


    def __r_t(self,t):
        if not self.C:
            return 0.5
        else:
            return self.C*np.exp(-self.B*t