vault backup: 2026-05-14 19:26:50

90 Library/11 Machine Learning/Нейронная сеть Кохонена.md

@@ -7,7 +7,7 @@ tags:
   - clustering
   - self-organizing-maps
 created: 2026-05-07
-updated: 2026-05-07
+updated: 2026-05-14
 title: Нейронная сеть Кохонена
 ---
 
@@ -41,6 +41,8 @@ title: Нейронная сеть Кохонена
 
 Каждый нейрон выходного слоя связан со всеми входными признаками и имеет собственный вектор весов. Количество нейронов выходного слоя связано с желаемой детализацией карты и числом обнаруживаемых областей данных.
 
+Выходной слой можно рассматривать как упорядоченную структуру радиальных нейронов. В контексте классификации без учителя число нейронов или областей карты связано с ожидаемым числом классов $K$, но это не жёсткое число заранее известных меток: карта может показать более тонкую структуру данных.
+
 ![[Pasted image 20260507222244.png|500]]
 
 ## Обучение
@@ -60,6 +62,22 @@ title: Нейронная сеть Кохонена
 
 По смыслу сеть Кохонена близка к итерационным методам кластеризации: веса нейронов играют роль прототипов групп, а входные объекты притягивают ближайшие прототипы к себе. Поэтому рядом полезно держать заметки про [[Кластерный анализ]], [[Классификация]] и [[Итерационная классификация. Метод K-средних (K-means)]].
 
+## Применение
+
+Сети Кохонена особенно полезны для разведочного анализа данных: они помогают увидеть сгущения объектов, близость классов и потенциальные аномалии на двумерной карте.
+
+Типичные применения:
+
+- кластеризация без учителя;
+- визуализация многомерных данных;
+- поиск закономерностей в больших массивах данных;
+- выявление независимых или слабо связанных признаков;
+- сжатие информации;
+- моделирование и прогнозирование;
+- обнаружение новых явлений и нетипичных объектов.
+
+Если после обучения кластеры разметить вручную, карту можно использовать и для классификации новых объектов. Если новый объект не похож ни на один из известных кластеров, это может быть сигналом новизны или аномалии.
+
 ## Связанные заметки
 
 - [[Нейронные сети]]