---
status: seed
type: concept
tags:
  - machine-learning
  - neural-networks
  - clustering
  - self-organizing-maps
created: 2026-05-07
updated: 2026-05-07
title: Нейронная сеть Кохонена
---

# Нейронная сеть Кохонена

**Нейронная сеть Кохонена** - класс нейронных сетей, основанный на самоорганизующихся картах (*Self-Organizing Maps*, SOM). Такие сети применяются для [[Кластерный анализ|кластеризации]] и проецирования многомерных данных на пространство меньшей размерности с сохранением топологической близости объектов.

Если два объекта близки в исходном пространстве признаков, после обучения они обычно попадают в близкие области карты. Поэтому сеть Кохонена удобна не только для разбиения данных на группы, но и для визуального анализа структуры выборки.

## Идея

Сеть Кохонена объединяет две задачи:

1. Выделение кластеров в многомерных данных.
2. Отображение многомерных объектов на двумерную или одномерную карту.

В отличие от многих сетей, обучающихся с учителем, сеть Кохонена обычно работает в режиме самообучения: ей предъявляют входные объекты, а сеть постепенно настраивает веса нейронов так, чтобы разные области карты отвечали за разные группы похожих объектов.

## Архитектура

Сеть состоит из двух основных слоев:

- **входной слой** - принимает вектор признаков объекта;
- **выходной слой** - содержит нейроны топологической карты.

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.

![[Pasted image 20260507222244.png|500]]

## Обучение

Обучение сети Кохонена сводится к последовательной подстройке весов. На каждом шаге сети предъявляется входной объект, после чего выбирается нейрон-победитель - нейрон, чей вектор весов ближе всего к входному вектору.

После выбора победителя корректируются:

- веса самого нейрона-победителя;
- веса нейронов, лежащих в его окрестности на карте.

Подробная процедура вынесена в [[Алгоритм обучения сети Кохонена]].

## Связь с кластеризацией

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)]].

## Связанные заметки

- [[Нейронные сети]]
- [[Алгоритм обучения сети Кохонена]]
- [[Кластерный анализ]]
- [[Классификация]]
- [[Итерационная классификация. Метод K-средних (K-means)]]