自组织映射是什么？把高维数据摆到一张保持邻近关系的二维地图上

自组织映射（Self-Organizing Map，SOM），也叫科霍宁网络，是一种无监督学习的神经网络，由芬兰赫尔辛基理工大学的托伊沃·科霍宁在 1982 年提出。它能够把高维的数据映射到一个二维的网格上，同时保持数据之间的邻近关系：在原始空间中彼此相似的数据，在网格上也会被放在相邻的位置，就像一张把复杂的数据“摊平”的地图。

它的结构

自组织映射的结构很简单：一个输入层，接收高维的数据；一个输出层，由许多神经元排列成一个二维的网格，比如 10 乘 10 的方格或六边形格子。每个输出神经元都有一个与输入同样维度的权重向量，可以看作它在输入空间中所代表的一个“原型”。与普通的神经网络不同，自组织映射中输出神经元在网格上的位置是有意义的：相邻的神经元应该代表相似的数据。

它是怎么学习的

自组织映射通过竞争学习和邻域合作来训练。首先，用随机的小数初始化所有神经元的权重向量。然后反复地进行以下步骤：随机地取一个训练样本；计算它与每个神经元的权重向量之间的距离，找出距离最近的那个神经元，叫作“获胜神经元”或最佳匹配单元；更新获胜神经元的权重，让它朝着这个样本的方向移动一点；同时，网格上与获胜神经元相邻的那些神经元，也要朝着这个样本的方向移动，离获胜神经元越近的移动得越多，越远的移动得越少，这由一个邻域函数来控制，通常是以获胜神经元为中心的高斯函数。随着训练的进行，学习率和邻域的范围都逐渐地缩小：开始时邻域很大，整个网格大致地展开、形成整体的布局；后期邻域变小，每个神经元进行精细的调整。

正是“邻居一起更新”的机制，让自组织映射与普通的竞争学习区别开来：它不仅把数据分成了若干组，还让相似的组在网格上彼此靠近，形成一张有序的地图。这一思想受到了大脑皮层的启发：在大脑中，处理相似信息的神经元往往位于相邻的区域，比如在听觉皮层中，对不同频率声音敏感的神经元按频率高低有序地排列，在躯体感觉皮层中，身体相邻部位的感觉对应着相邻的脑区。

如何解读自组织映射

训练完成后，每个数据样本都可以被映射到网格上它的获胜神经元所在的位置。观察数据在网格上的分布，就能直观地了解数据的结构。一种常用的可视化工具是 U-矩阵：计算网格上每个神经元与它的邻居之间权重向量的距离，用颜色表示出来。距离小的区域颜色浅，表示这里的神经元彼此相似，构成一个簇；距离大的地方颜色深，就像山脊一样，标出了不同簇之间的边界。还可以把每个输入特征在网格上的取值分别画出来，观察不同特征在地图上是如何变化的，以及特征之间的关系。

应用

自组织映射被广泛用于数据的可视化和探索性分析：比如分析各个国家的经济和社会指标，把发展水平相似的国家排在一起；对文档进行组织，科霍宁团队开发的 WEBSOM 曾把上百万篇文档组织成一张可以浏览的主题地图；在生物信息学中分析基因表达数据；在金融中进行客户细分和风险分析；在工业中监测设备的运行状态。它的优点是直观、能够同时完成降维和聚类；局限在于网格的大小和形状需要事先确定，训练结果受初始化和参数的影响，而且它主要用于可视化和探索，作为降维方法时，t-SNE、UMAP 等方法往往效果更好。