説明
自己組織化マップ（SOM）は、自己組織化特徴マップ（SOFM）またはコホネンマップとしても知られ、次元削減とデータ可視化のために設計された強力な教師なし機械学習手法です。高次元の入力データを、元のデータに存在するトポロジ関係を維持しながら、通常は2次元グリッドの低次元表現に変換します。これは、高次元空間で類似したデータポイントが低次元マップ上の近くの位置にマッピングされ、類似しないポイントはより離れた位置にマッピングされることを意味します。
SOMの主な目標は、複雑なデータの解釈しやすい「マップ」を作成することです。例えば、多数の観測値にわたって測定された多くの変数を持つデータセットは、2Dグリッド上のクラスタとして表現できます。マップ上の各クラスタは、元の変数全体で類似した値を持つ観測値のグループに対応します。この可視化により、生の、高次元データでは不明瞭になる可能性のあるパターン、クラスタ、および関係性の特定が容易になります。
バックプロパゲーションのような誤差修正学習を使用する多くの他の人工ニューラルネットワークとは異なり、SOMは競争学習アプローチを使用してトレーニングされます。この方法では、入力データをより良く表現するために、ネットワークのノード（ニューロン）の「重み」を反復的に調整します。トレーニングプロセスには、ネットワークに入力ベクトルを提示し、「最良一致単位」（BMU）—重みが入力に最も類似しているノード—を特定し、次にグリッド上のBMUとその近傍ノードの重みを更新することが含まれます。このプロセスは何度も繰り返され、マップは徐々に入力データの分布とトポロジを近似していきます。
SOMは、フィンランドのテウヴォ・コホネン教授によって1980年代に開拓され、神経系と形態形成の生物学的モデルから着想を得ています。類似したデータポイントが一緒にクラスタ化されるセマンティックマップを作成する能力は、さまざまな科学的および産業分野における探索的データ分析、パターン認識、およびデータクラスタリングに不可欠です。トレーニングされたSOMの解釈は、隣接するノード間の距離を示し、クラスタ境界を強調するU-Matrixを可視化するか、ノードの重みを入力空間へのポインタとして考慮し、高いデータ集中領域を示すことによって行うことができます。
SOMの主な応用例には、金融分析、地震データ解釈、プロジェクト優先順位付け、および大規模データセットでの代表的なデータポイントの検索が含まれます。その柔軟性により、適切な距離尺度を定義できる限り、さまざまなデータタイプを処理できます。アルゴリズムのコア設計の選択は、グリッド形状、近傍関数、および学習率スケジュールを中心に展開しており、これらすべてが最終的なマップの構造と精度に影響を与えます。
自己組織化マップのハイライト
教師なし機械学習手法
次元削減
データのトポロジ構造を維持
低次元（通常2D）表現を作成
競争学習を使用してトレーニング
データ内のクラスタとパターンを特定
高次元データを可視化
グリッド（六角形または長方形）に配置されたノード（ニューロン）
各ノードに関連付けられた重みベクトル
最良一致単位（BMU）の特定
重み更新のための近傍関数
単調に減少する学習係数
距離尺度を持つさまざまなデジタルオブジェクトを表すことができる
自己組織化マップをはじめる
ノードの重みベクトルをランダムに、または主成分を使用して初期化します。
トレーニングエポックを反復し、入力データベクトルを提示します。
各入力ベクトルについて、最良一致単位（BMU）を見つけます。
BMUとその近傍の重みを更新します。
学習率と近傍サイズを徐々に減少させます。
収束または設定された反復回数まで繰り返します。
トレーニングされたマップ上で最も近いBMUを見つけることで、新しい入力データをマッピングします。
自己組織化マップの使用例
- データ可視化
- クラスタリング
- 次元削減
- パターン認識
- 探索的データ分析
- 特徴抽出
- 異常検出
- セマンティックマッピング
