自组织映射(SOM)聚类分析Python第三方库实现<minisom>

最近在做SOM神经网络模型的项目,之前一直在用Matlab的工具箱,一直想转成Python的代码来实现,就到处找,结果还真有SOM相关的库。

自组织神经网络(SOM)的Python第三方库minisom代码示例

自组织神经网络(SOM)的Python第三方库minisom源代码实现

自组织神经网络(SOM)的Python第三方库minisom聚类功能实现

自组织神经网络(SOM)的Python第三方库minisom分类功能实现

自组织映射(SOM)聚类分析Python第三方库实现<minisom>_第1张图片

自组织地图

MiniSom 是自组织映射 (SOM) 的简约和基于 Numpy 的实现。SOM 是一种人工神经网络,能够将高维数据项之间复杂的非线性统计关系转换为低维显示器上的简单几何关系。Minisom 旨在让研究人员能够轻松地在其基础上进行构建,并让学生能够快速掌握其细节。

关于 MiniSom 的更新发布在Twitter 上。

安装

只需使用点:

pip install minisom

或将 MiniSom 下载到您选择的目录并使用安装脚本:

git clone https://github.com/JustGlowing/minisom.git
python setup.py install

如何使用它

为了使用 MiniSom,您需要将数据组织为 Numpy 矩阵,其中每一行对应一个观察值或如下列表:

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 ],
[ 0.80 , 0.53 , 0.26 , 0.03 ],
[ 0.79 , 0.56 , 0.22 , 0.03 ],
[ 0.75 , 0.60 , 0.25 , 0.03 ],
[ 0.77 , 0.59 , 0.22 , 0.03 ]]

然后你可以训练 MiniSom 如下:

from minisom import MiniSom    
som = MiniSom(6, 6, 4, sigma=0.3, learning_rate=0.5) # initialization of 6x6 SOM
som.train(data, 100) # trains the SOM with 100 iterations

您可以按如下方式获得给定样本的地图上获胜神经元的位置:

som.winner(data[0])

有关 minisom 中实现的所有功能的概述,您可以浏览以下示例:
https : //github.com/JustGlowing/minisom/tree/master/examples

导出 SOM 并再次加载

可以使用 pickle 保存模型,如下所示

import pickle
som = MiniSom(7, 7, 4)

# ...train the som here

# saving the som in the file som.p
with open('som.p', 'wb') as outfile:
    pickle.dump(som, outfile)

并且可以如下加载

with open('som.p', 'rb') as infile:
    som = pickle.load(infile)

请注意,如果使用 lambda 函数来定义衰减因子 MiniSom 将不再可选。

探索参数

您可以使用此仪表板来探索参数对示例数据集的影响:
https : //share.streamlit.io/justglowing/minisom/dashboard/dashboard.py

例子

以下是您将在示例中看到如何生成的一些图表:

种子地图
自组织映射(SOM)聚类分析Python第三方库实现<minisom>_第2张图片

班级分配
自组织映射(SOM)聚类分析Python第三方库实现<minisom>_第3张图片

手写数字映射
自组织映射(SOM)聚类分析Python第三方库实现<minisom>_第4张图片

六边形拓扑
自组织映射(SOM)聚类分析Python第三方库实现<minisom>_第5张图片

颜色量化

自组织映射(SOM)聚类分析Python第三方库实现<minisom>_第6张图片

异常值检测

自组织映射(SOM)聚类分析Python第三方库实现<minisom>_第7张图片

如何引用 MiniSom

@misc{vettigliminisom,
title={MiniSom: minimalistic and NumPy-based implementation of the Self Organizing Map},
author={Giuseppe Vettigli},
year={2018},
url={https://github.com/JustGlowing/minisom/},
}

贡献指南

在你的 Pull Request 的描述中清楚地解释它实现/修复了什么以及你的更改。可能在PR的描述中举个例子。如果 PR 与代码加速有关,请报告可重现的示例并量化加速。 为您的拉取请求提供一个有用的标题,总结您的贡献。 为您的代码编写单元测试并确保现有测试是最新的。pytest可用于此:

pytest minisom.py

使用pycodestyle以下方法确保没有风格问题:

pycodestyle minisom.py

确保您的代码被正确注释和记录。每个公共方法都需要记录为现有方法。

"
一切美好的事物都是曲折地接近自己的目标

一切笔直都是骗人的

所有真理都是弯曲的

时间本身就是一个圆圈

"

参考文献:https://github.com/JustGlowing/minisom

【纯·干货】你会用到的论文小助手,不定期持续更新中~

你可能感兴趣的:(Python,人工智能,python,神经网络,机器学习,聚类算法)