SOM은 Self-Organizing Feature Map을 나타냅니다. 클러스터링 및 데이터 시각화 접근 방식은 신경망 관점에 따라 다릅니다. SOM의 목적은 중심 집합(SOM 용어의 참조 벡터)을 발견하고 해당 개체의 최상의 근접성을 지원하는 중심에 대한 데이터 집합의 각 개체를 만드는 것입니다. 신경망 방법에는 각 중심과 관련된 하나의 뉴런이 있습니다.
증분 K-평균과 마찬가지로 데이터 개체는 한 번에 하나씩 단계적으로 진행되고 가장 가까운 중심이 새로 고쳐집니다. K-평균과 달리 SOM은 중심에 지형 시퀀싱을 부과하고 인근 중심도 업그레이드됩니다. 또한 SOM은 객체의 최근 클러스터 구성원을 표시하지 않으며 K-평균과 달리 객체가 클러스터를 전환하는 경우 이전 클러스터 중심에 대한 특정 새로 고침이 없습니다.
이전 클러스터는 새 클러스터와 인접할 수 있으므로 이러한 이유로 cab이 업데이트됩니다. 포인트 처리는 미리 결정된 한계에 도달하거나 중심이 많이 변형되지 않을 때까지 계속됩니다. SOM 접근 방식의 마지막 출력은 클러스터를 암시적으로 나타내는 중심 집합입니다. 각 클러스터에는 특정 중심에 가장 가까운 점이 포함됩니다.
각 중심은 한 쌍의 좌표(i, j)로 생성됩니다. 때때로 그러한 네트워크는 인접 노드 간의 연결로 그려지지만 다른 중심에 대한 한 중심의 힘은 링크가 아닌 좌표 방법으로 표현되는 이웃이기 때문에 오해의 소지가 있습니다. SOM 신경망에는 여러 유형이 있지만 중심이 직사각형 또는 육각형으로 구성된 2차원 SOM으로 제한될 수 있습니다.
SOM에서 사용되는 중심은 미리 결정된 지형적 시퀀싱 관계를 갖습니다. 훈련 절차 동안 SOM은 지형 시퀀싱에서 가장 가까운 중심과 가까운 중심을 새로 고치기 위해 각 데이터 포인트가 필요합니다. 이 방법에서 SOM은 주어진 데이터 세트에 대해 정렬된 중심 세트를 생성합니다.
다른 용어로, SOM 그리드에서 서로 가까운 중심은 더 멀리 떨어져 있는 중심보다 서로 더 밀접하게 연관되어 있습니다. 이 제약 때문에 2차원 SOM의 중심은 n차원 데이터를 더 적합하게 맞추려고 시도하는 2차원 표면에 있는 것으로 간주할 수 있습니다.