SimpSOM：Python中自组织映射的库。

5星

浏览量: 0

大小:None

文件类型：None

简介：
SimpSOM，即简化的自组织图版本1.3.4，是一个针对Python 2.7和3设计的轻量级Kohonen自组织映射（SOM）的实现。它被设计用于无监督学习任务、聚类分析以及数据降维。目前，这个软件包已成功发布到PyPI，用户可以通过输入“pip install SimpSOM”来轻松获取，或者直接从提供的链接下载，随后使用“python setup.py install”进行安装。该工具能够帮助用户在数据集上构建和训练自组织映射网络，并具备保存/加载训练后的网络权重功能，同时还支持网络图的可视化呈现或打印输出，满足用户对各种功能的定制需求。此外，函数run_colorsExample()能够模拟一个演示模型，其中大量的颜色信息会被从3D RGB空间映射到2D的网络映射中，并且根据它们在原始空间中的相似度进行分组与聚类处理。该软件包依赖于Numpy 1.11.0版本（兼容性可能存在较旧版本），Matplotlib 1.5.1版本（同样兼容性可能存在较旧版本），以及Sklearn 0.15版本（也同样兼容性可能存在较旧版本）。

全部评论 (0)

还没有任何评论哟~

客服

SOMToolbox2_Mar_17_2005_DEMO_SOM_自组织映射演示版

优质

SOMToolbox 2是一款用于创建和训练自组织映射（Self-Organizing Maps, SOM）的MATLAB工具包，此DEMO版本提供了SOM的基本功能与操作示例。自组织映射（SOM）的相关使用程序包含详细说明文档，并提供简单示例程序用于演示和理解功能。

SOFM（自组织特征映射）代码

优质

SOFM代码是指实现自组织特征映射算法的编程代码。该算法是一种无监督学习方法，通过神经网络自动识别输入数据中的模式和结构，适用于数据聚类、降维等领域。测试环境：MATLAB 2015自组织特征映射。这是我自己实现的一个版本。

Minisom：简洁实现的自组织映射图

优质

Minisom是一款轻量级、易于使用的Python库，用于快速构建和训练自组织映射（SOM）模型。它以简单高效的代码实现了这一复杂的人工神经网络技术。 MiniSom是一个基于Numpy实现的自组织图（SOM）的简约版本。 SOM是一种人工神经网络，能够将高维数据项之间的复杂、非线性统计关系转化为低维显示器上的简单几何关系。 Minisom的设计目的是使研究人员可以轻松在其基础上进行构建，并帮助学生快速了解其细节。安装MiniSom很简单，可以通过pip命令完成： ``` pip install minisom ``` 或者下载源代码并使用安装脚本： ```git clone https://github.com/JustGlowing/minisom.git python setup.py install ``` 为了使用MiniSom，您需要将数据组织成一个Numpy矩阵，其中每一行对应一个观测值。也可以将其组织为列表的列表形式如下： ```data = [[ 0.80 , 0.55 , 0.22 , 0.03 ], [ 0.82 , 0.50 , 0.23 , 0.03 ], [ 0.80 , 0.54 , 0.22 , 0.03 ]] ```

SimpSOM：用于自组织映射的Python工具包

优质

SimpSOM是一款专为Python用户设计的开源库，旨在简化自组织映射（Self-Organizing Maps, SOM）的实现与应用。该工具包提供了直观且高效的接口，使得数据分析和模式识别任务变得更加便捷。 SimpSOM（简单的自组织图）版本1.3.4 是一个适用于Python 2.7和3的Kohonen自组织映射（SOM）轻量级实现工具。该软件包可用于无监督学习、聚类以及降维处理。现在，用户可以通过PyPI获取它，并通过键入 `pip install SimpSOM` 或者使用命令 `python setup.py install` 来安装此软件包。利用这个工具可以构建和训练数据集上的SOM模型，保存或加载经过训练的网络权重并显示或打印具有所需特性的网络图。函数 run_colorsExample() 可以运行一个玩具示例，在该示例中许多颜色从3D RGB空间映射到2D网络，并根据它们在原始空间中的相似性进行聚类。SimpSOM需要安装以下依赖包：Numpy 1.11.0（较旧版本可能适用）；Matplotlib 1.5.1（较旧版本可能适用）；Sklearn 0.15（较旧版本可能适用）。

SOM自组织特征映射网络模型

优质

简介：SOM（Self-Organizing Map）自组织特征映射网络是一种无监督学习算法，用于将高维数据映射到低维空间中，保持数据间拓扑关系。对自组织特征映射（SOM）网络进行了详细的介绍，这对于学习该网络具有很好的帮助。

Kohonen SOFM（自组织特征映射）源程序

优质

这段简介可以这样描述：“Kohonen SOFM”即自组织特征映射程序，是一种无监督的人工神经网络模型。它能够将高维输入数据映射到低维空间，并保持其拓扑结构。该源代码适用于模式识别、数据可视化等领域研究和应用。此目录包含实现Kohonen自组织特征映射网络的代码。源代码位于SOFM.CPP文件中。示例数据可以在SOFMSAMP.PAT文件中找到。SOFM程序接受向量形式的输入，并计算权重，输出显示在屏幕上。

Som-In-Python: Python中的简易Kohonen自组织映射实现

优质

简介：Som-In-Python是一个简洁易用的Python库，用于实现和操作Kohonen自组织映射（SOM），适用于数据可视化与聚类分析。 Python实现的简单Kohonen自组织映射见相关日文资料。

SOMPY：适用于自组织映射(SOM)的Python工具包

优质

SOMPy是一款专为Python设计的自组织映射(SOM)工具包，旨在简化和优化数据可视化与聚类分析过程。 MP 是一个用于自组织地图（SOM）的Python库，其结构尽可能接近Matlab中的somtoolbox。它具有以下功能： 1. 支持批量训练模式，相比在线训练而言速度更快。 2. 提供类似于sklearn格式的并行处理选项，能够加速训练过程。不过这一特性主要取决于数据量和SOM网格大小的影响，并且由于内存管理的问题，在当前阶段建议使用单核处理以避免问题出现。 3. 虽然存在上述限制，但算法实现中对于所有重要的矩阵计算（例如scipy稀疏矩阵以及用于计算欧几里得距离的numexpr）都进行了精心优化。 4. 支持通过sklearn或随机初始化进行PCA（默认为RandomPCA）来对SOM进行初始化。 5. 提供了多种组件平面可视化方法、匹配图和U-Matrix可视化功能，以帮助用户更好地理解和分析结果。 6. 目前仅支持一维或二维的矩形网格布局。在测试中发现，这种设置与六边形相比表现良好。此外，该库还提供了不同的函数逼近和预测的方法（主要通过平均值计算）。

基于MATLAB的自组织特征映射神经网络

优质

本研究利用MATLAB平台构建并分析了自组织特征映射（SOFM）神经网络模型，探讨其在数据聚类和可视化方面的应用与优势。在获胜神经元周围设定一个邻域半径，这个范围内的区域被称为优胜邻域。

自组织特征映射(SOM)神经网络程序

优质

简介：自组织特征映射（SOM）神经网络程序是一种无监督学习算法，能够将高维数据映射到低维空间，保留数据间拓扑关系，广泛应用于数据分析与可视化。自组织特征映射神经网络（SOM）是一种无教师学习网络，主要用于对输入向量进行区域分类。本程序编写了SOM网络的简单应用程序。