原文鏈接：http://tecdat.cn/?p=19077

自組織映射?（SOM）是一種工具，通過(guò)生成二維表示來(lái)可視化高維數(shù)據(jù)中的模式，在高維結(jié)構(gòu)中顯示有意義的模式?（?點(diǎn)擊文末“閱讀原文”獲取完整代碼數(shù)據(jù)********?）。

導(dǎo)入

通過(guò)以下方式使用給定的數(shù)據(jù)（或數(shù)據(jù)樣本）對(duì)SOM進(jìn)行“訓(xùn)練”：

• 定義了網(wǎng)格的大小。

• 網(wǎng)格中的每個(gè)單元都在數(shù)據(jù)空間中分配了一個(gè)初始化向量。

• 例如，如果要?jiǎng)?chuàng)建22維空間的地圖，則會(huì)為每個(gè)網(wǎng)格單元分配一個(gè)22維向量。

• 數(shù)據(jù)被反復(fù)輸入到模型中進(jìn)行訓(xùn)練。每次輸入訓(xùn)練向量時(shí)，都會(huì)執(zhí)行以下過(guò)程：

• 識(shí)別具有最接近訓(xùn)練向量的代表向量的網(wǎng)格單元。

• 隨著訓(xùn)練向量的多次輸入，收斂的參數(shù)使調(diào)整變得越來(lái)越小，從而使地圖穩(wěn)定。

該算法賦予SOM的關(guān)鍵特征：數(shù)據(jù)空間中接近的點(diǎn)在SOM中更接近。因此，SOM可能是表示數(shù)據(jù)中的空間聚類(lèi)的好工具。

相關(guān)視頻

**

拓端

，贊27

Kohonen映射類(lèi)型

下面的示例將使用2015/16 NBA賽季的球員統(tǒng)計(jì)數(shù)據(jù)。我們將查看每36分鐘更新一次的球員統(tǒng)計(jì)信息。這些數(shù)據(jù)可從?http://www.basketball-reference.com/獲得。我們已經(jīng)清理了數(shù)據(jù)。

NBA?<-?read.csv("NBA_cleaned.csv",? ????sep?=?",",?header?=?T,?check.names?=?FALSE)

基本SOM

在創(chuàng)建SOM之前，我們需要選擇要在其中搜索模式的變量。

colnames(NBA)##??[1]?""???????"Player"?"Pos"????"Age"????"Tm"?????"G"??????"GS"???? ##??[8]?"MP"?????"FG"?????"FGA"????"FG%"????"3P"?????"3PA"????"3P%"??? ##?[15]?"2P"?????"2PA"????"2P%"????"FT"?????"FTA"????"FT%"????"ORB"??? ##?[22]?"DRB"????"TRB"????"AST"????"STL"????"BLK"????"TOV"????"PF"???? ##?[29]?"PTS"

我們從簡(jiǎn)單示例開(kāi)始：

som(scale(NBA[res1],?grid?=?somgrid(6,?4,?"rectangular")

請(qǐng)注意，我們標(biāo)準(zhǔn)化了訓(xùn)練數(shù)據(jù)，并定義了網(wǎng)格大小。標(biāo)準(zhǔn)SOM圖可為網(wǎng)格單元的代表矢量創(chuàng)建這些餅圖表示，其中半徑對(duì)應(yīng)于特定維度上的大小。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言k-means聚類(lèi)、層次聚類(lèi)、主成分（PCA）降維及可視化分析鳶尾花iris數(shù)據(jù)集

左右滑動(dòng)查看更多

01

02

03

04

熱圖SOM

我們可以通過(guò)將每個(gè)球員分配到具有最接近該球員狀態(tài)的代表向量來(lái)識(shí)別地圖?！坝?jì)數(shù)”類(lèi)型的SOM根據(jù)球員數(shù)量創(chuàng)建了一個(gè)熱圖。

#?色帶 colors?<-?function(n,?alpha?=?1)?{ ????rev(heat.colors(n,?alpha)) }

繪圖點(diǎn)

您可以使用“映射”類(lèi)型的SOM將球員繪制為網(wǎng)格上的點(diǎn)。我們與常規(guī)SOM進(jìn)行可視化比較。

每個(gè)地圖單元格的代表性矢量顯示在右側(cè)。左側(cè)是根據(jù)其狀態(tài)與這些代表向量的接近程度繪制的球員圖表。

環(huán)形SOM

下一個(gè)示例是一種更改幾何形狀的方法。在為上述示例訓(xùn)練SOM時(shí)，我們使用了矩形網(wǎng)格。由于邊緣（尤其是拐角處）的單元比內(nèi)部單元具有更少的鄰居，因此傾向于將更多的極端值推到邊緣。

par(mfrow?=?c(1,?2))plot(NBA.SOM2,?type?=?"mapping",?pchs?=?20,?main?=?"Mapping?Type?SOM")plot(NBA.SOM2,?main?=?"Default?SOM?Plot")

映射距離

當(dāng)用繪制時(shí)?type = "dist.neighbours"，單元格將根據(jù)與它們最近的鄰居的距離著色，這使我們可以直觀地看到高維空間中不同要素之間的距離。

plot(SOM2,?type?=?"dist.neighbours")

有監(jiān)督SOM

有監(jiān)督的SOM使我們可以進(jìn)行分類(lèi)。到目前為止，我們僅將三維數(shù)據(jù)映射到二維。當(dāng)我們處理更高維度的數(shù)據(jù)時(shí)，SOM的實(shí)用性變得更加明顯，因此讓我們使用擴(kuò)展的球員統(tǒng)計(jì)信息列表來(lái)做這個(gè)受監(jiān)督的示例：

我們創(chuàng)建有監(jiān)督的SOM，并根據(jù)球員在球場(chǎng)上的位置對(duì)其進(jìn)行分類(lèi)。我們將數(shù)據(jù)隨機(jī)分為訓(xùn)練集和測(cè)試集。

indices?<-?sample(nrow(NBA),?200) training?<-?scale(NBA[indices,?NBA.measures2]) testing?<-?scale(NBA[-indices,?NBA.measures2],?center?=?attr(training,? ????"scaled:center"),?scale?=?attr(training,?"scaled:scale"))

請(qǐng)注意，當(dāng)我們重新標(biāo)準(zhǔn)化測(cè)試數(shù)據(jù)時(shí)，我們需要根據(jù)訓(xùn)練數(shù)據(jù)的方式對(duì)其進(jìn)行標(biāo)準(zhǔn)化。

您可以在訓(xùn)練算法中對(duì)訓(xùn)練變量（NBA.training）與預(yù)測(cè)變量（NBA$Pos）進(jìn)行加權(quán)?，F(xiàn)在讓我們檢查預(yù)測(cè)的準(zhǔn)確性：

##?????????????????##??????????????????Center?Point?Guard?Power?Forward?Shooting?Guard##???Center?????????????16???????????0????????????26??????????????1##???Point?Guard?????????0??????????49?????????????0?????????????12##???Power?Forward??????10???????????1????????????29??????????????5##???Shooting?Guard??????0???????????8?????????????4?????????????38##???Small?Forward???????0???????????0????????????15??????????????9##?????????????????##??????????????????Small?Forward##???Center?????????????????????4##???Point?Guard???????????????11##???Power?Forward??????????????8##???Shooting?Guard????????????19##???Small?Forward?????????????38

可視化預(yù)測(cè)：

這次，我們使用xweight?參數(shù)為權(quán)重衡量球員統(tǒng)計(jì)數(shù)據(jù)?。

使用type = "codes"?我們進(jìn)行繪制，可以?得到標(biāo)準(zhǔn)的可視化球員狀態(tài)（Codes X）和球員位置預(yù)測(cè)（Codes Y）。

add.cluster.boundaries(NBA.SOM4,?NBA.SOM4.hc)

該視圖使我們可以將球員統(tǒng)計(jì)數(shù)據(jù)與位置預(yù)測(cè)進(jìn)行比較。

可視化預(yù)測(cè)：自定義SOM

在最后一個(gè)示例中，我們將對(duì)該type = mapping?圖進(jìn)行一些自定義，?以便我們可以同時(shí)表示實(shí)際球員位置和SOM的預(yù)測(cè)位置。我們將從可視化開(kāi)始。

背景顏色繪制的球員點(diǎn)的背景代表其真實(shí)位置。

bg.pallet?<-?c("red",?"blue",?"yellow",?"purple",?"green") #?為所有單元格制作僅背景顏色的矢量 base.color.vector?<-?bg.pallet[match(position.predictions,?levels(NBA$Pos))] #?設(shè)置alpha以最大的預(yù)測(cè)置信度標(biāo)準(zhǔn)化max.conf?<-?apply(NBA.SOM4$codes$Y,?1,?max)

點(diǎn)擊文末?“閱讀原文”

獲取全文完整資料。

本文選自《R語(yǔ)言中的SOM(自組織映射神經(jīng)網(wǎng)絡(luò))對(duì)NBA球員聚類(lèi)分析》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

Python用RNN神經(jīng)網(wǎng)絡(luò)：LSTM、GRU、回歸和ARIMA對(duì)COVID19新冠疫情人數(shù)時(shí)間序列預(yù)測(cè)RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)時(shí)間序列長(zhǎng)期利率預(yù)測(cè)

結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測(cè)：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析
深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類(lèi)分析新聞組數(shù)據(jù)
用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類(lèi)預(yù)測(cè)銀行客戶流失模型
PYTHON用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法預(yù)測(cè)時(shí)間序列洗發(fā)水銷(xiāo)售數(shù)據(jù)
Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測(cè)、準(zhǔn)確度檢查和結(jié)果可視化
Python用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不穩(wěn)定降雨量時(shí)間序列進(jìn)行預(yù)測(cè)分析
R語(yǔ)言中的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)間序列：多層感知器（MLP）和極限學(xué)習(xí)機(jī)（ELM）數(shù)據(jù)分析報(bào)告
R語(yǔ)言深度學(xué)習(xí)：用keras神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測(cè)時(shí)間序列數(shù)據(jù)
Matlab用深度學(xué)習(xí)長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)進(jìn)行分類(lèi)
R語(yǔ)言KERAS深度學(xué)習(xí)CNN卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)識(shí)別手寫(xiě)數(shù)字圖像數(shù)據(jù)（MNIST）
MATLAB中用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)人體脂肪百分比數(shù)據(jù)
Python中用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類(lèi)預(yù)測(cè)銀行客戶流失模型
R語(yǔ)言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析
SAS使用鳶尾花(iris)數(shù)據(jù)集訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(ANN)模型
【視頻】R語(yǔ)言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類(lèi)
R語(yǔ)言用神經(jīng)網(wǎng)絡(luò)改進(jìn)Nelson-Siegel模型擬合收益率曲線分析
R語(yǔ)言基于遞歸神經(jīng)網(wǎng)絡(luò)RNN的溫度時(shí)間序列預(yù)測(cè)
R語(yǔ)言神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)車(chē)輛數(shù)量時(shí)間序列
R語(yǔ)言中的BP神經(jīng)網(wǎng)絡(luò)模型分析學(xué)生成績(jī)
matlab使用長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)序列數(shù)據(jù)進(jìn)行分類(lèi)
R語(yǔ)言實(shí)現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和結(jié)果可視化
用R語(yǔ)言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票實(shí)例
使用PYTHON中KERAS的LSTM遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測(cè)
python用于NLP的seq2seq模型實(shí)例:用Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯
用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類(lèi)

對(duì)用電負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行K-medoids聚類(lèi)建模和GAM回歸

R語(yǔ)言有限混合模型(FMM,finite mixture model)EM算法聚類(lèi)分析間歇泉噴發(fā)時(shí)間
R語(yǔ)言k-Shape時(shí)間序列聚類(lèi)方法對(duì)股票價(jià)格時(shí)間序列聚類(lèi)
Python主題建模LDA模型、t-SNE 降維聚類(lèi)、詞云可視化文本挖掘新聞組數(shù)據(jù)集
R語(yǔ)言用關(guān)聯(lián)規(guī)則和聚類(lèi)模型挖掘處方數(shù)據(jù)探索藥物配伍中的規(guī)律
K-means和層次聚類(lèi)分析癌細(xì)胞系微陣列數(shù)據(jù)和樹(shù)狀圖可視化比較

KMEANS均值聚類(lèi)和層次聚類(lèi)：亞洲國(guó)家地區(qū)生活幸福質(zhì)量異同可視化分析和選擇最佳聚類(lèi)數(shù)
PYTHON實(shí)現(xiàn)譜聚類(lèi)算法和改變聚類(lèi)簇?cái)?shù)結(jié)果可視化比較
有限混合模型聚類(lèi)FMM、廣義線性回歸模型GLM混合應(yīng)用分析威士忌市場(chǎng)和研究專(zhuān)利申請(qǐng)數(shù)據(jù)
R語(yǔ)言多維數(shù)據(jù)層次聚類(lèi)散點(diǎn)圖矩陣、配對(duì)圖、平行坐標(biāo)圖、樹(shù)狀圖可視化城市宏觀經(jīng)濟(jì)指標(biāo)數(shù)據(jù)
r語(yǔ)言有限正態(tài)混合模型EM算法的分層聚類(lèi)、分類(lèi)和密度估計(jì)及可視化
Python Monte Carlo K-Means聚類(lèi)實(shí)戰(zhàn)研究
R語(yǔ)言k-Shape時(shí)間序列聚類(lèi)方法對(duì)股票價(jià)格時(shí)間序列聚類(lèi)
R語(yǔ)言對(duì)用電負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行K-medoids聚類(lèi)建模和GAM回歸
R語(yǔ)言譜聚類(lèi)、K-MEANS聚類(lèi)分析非線性環(huán)狀數(shù)據(jù)比較
R語(yǔ)言實(shí)現(xiàn)k-means聚類(lèi)優(yōu)化的分層抽樣(Stratified Sampling)分析各市鎮(zhèn)的人口
R語(yǔ)言聚類(lèi)有效性：確定最優(yōu)聚類(lèi)數(shù)分析IRIS鳶尾花數(shù)據(jù)和可視化Python、R對(duì)小說(shuō)進(jìn)行文本挖掘和層次聚類(lèi)可視化分析案例
R語(yǔ)言k-means聚類(lèi)、層次聚類(lèi)、主成分（PCA）降維及可視化分析鳶尾花iris數(shù)據(jù)集
R語(yǔ)言有限混合模型(FMM,finite mixture model)EM算法聚類(lèi)分析間歇泉噴發(fā)時(shí)間
R語(yǔ)言用溫度對(duì)城市層次聚類(lèi)、kmean聚類(lèi)、主成分分析和Voronoi圖可視化
R語(yǔ)言k-Shape時(shí)間序列聚類(lèi)方法對(duì)股票價(jià)格時(shí)間序列聚類(lèi)
R語(yǔ)言中的SOM(自組織映射神經(jīng)網(wǎng)絡(luò))對(duì)NBA球員聚類(lèi)分析
R語(yǔ)言復(fù)雜網(wǎng)絡(luò)分析：聚類(lèi)（社區(qū)檢測(cè)）和可視化
R語(yǔ)言中的劃分聚類(lèi)模型
基于模型的聚類(lèi)和R語(yǔ)言中的高斯混合模型
r語(yǔ)言聚類(lèi)分析：k-means和層次聚類(lèi)
SAS用K-Means 聚類(lèi)最優(yōu)k值的選取和分析
用R語(yǔ)言進(jìn)行網(wǎng)站評(píng)論文本挖掘聚類(lèi)
基于LDA主題模型聚類(lèi)的商品評(píng)論文本挖掘
R語(yǔ)言鳶尾花iris數(shù)據(jù)集的層次聚類(lèi)分析
R語(yǔ)言對(duì)用電負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行K-medoids聚類(lèi)建模和GAM回歸
R語(yǔ)言聚類(lèi)算法的應(yīng)用實(shí)例