简介这份资源面向机器学习初学者与需要做数据降维、聚类可视化的开发者提供自组织映射SOM算法的完整Python实现。SOM是一种无监督神经网络方法可将高维数据映射到二维网格并保持拓扑结构常用于数据探索与特征可视化。压缩包共31个文件约3.55MB以9个py源码文件为核心涵盖网络初始化、BMU查找、权重更新及高斯、墨西哥帽、气泡等多种邻域函数并支持指数与线性衰减策略另有10个png可视化结果、5个csv示例数据集及2个md说明文档便于直接运行与对照理解。代码内置权重网格、U-Matrix、激活图、训练历史等可视化并提供量化误差、拓扑误差、邻域保持度等评估指标示例覆盖螺旋数据聚类、鸢尾花降维与RGB颜色聚类。已有84人学习适合希望快速上手SOM并复现实验的读者。1. 从一张二维网格看懂 SOM它到底在解决什么聚类问题高维数据聚类最让人头疼的不是算不出来而是算完了没法看。K-Means 给你一堆标签PCA 给你两个主成分但数据的拓扑关系、簇与簇之间的过渡带、离群点落在哪往往还是黑匣子。自组织映射Self-Organizing MapSOM走的是另一条路它把高维样本映射到一张二维网格上让相似样本在网格上靠得近不相似的被推开同时保留原始空间的邻域关系。这份 Python 代码包把 SOM 从初始化、BMU 查找、邻域衰减到权重更新整条链路都实现了还配了权重网格、U-Matrix、激活图、训练历史等可视化以及量化误差、拓扑误差、邻域保持度、网络利用率四类评估指标。适合两类人一类是想拿现成代码跑通聚类和降维可视化的从业者另一类是想拆开看 SOM 内部每一步怎么算、参数怎么调的学习者。压缩包里 main.py、demo.py、examples/basic_example.py 三个入口分别对应完整演示、快速演示和最小验证data 目录下 circles、blobs、spiral、iris、colors 五份数据覆盖了从线性可分到强非线性缠绕的典型场景。2. 拆开 som.pyBMU 查找、邻域函数与权重更新怎么落地2.1 网络初始化与 BMU 查找的代码路径SOM 的第一步是初始化一张二维权重网格。常见做法有两种随机初始化或者从样本里随机抽若干条当初始权重。这份代码在 som.py 里把两种都留了口子默认走随机初始化。权重矩阵的形状是 (grid_h, grid_w, n_features)每个网格节点是一个和输入同维的向量。BMUBest Matching Unit查找是每次迭代的核心对每个输入样本遍历所有网格节点算欧氏距离取最近的那个。代码里用向量化写法避免 Python 循环逻辑等价于下面这段import numpy as np def find_bmu(weights, sample): # weights: (grid_h, grid_w, n_features) # sample: (n_features,) diff weights - sample # 广播到每个节点 dist_sq np.sum(diff ** 2, axis-1) # 每个节点的平方欧氏距离 bmu_idx np.unravel_index(np.argmin(dist_sq), dist_sq.shape) return bmu_idx, dist_sq[bmu_idx]逻辑说明diff 利用广播把样本向量减到每个网格节点上dist_sq 在最后一维求和得到每个节点的距离平方argmin 拿到全局最小值的扁平索引再用 unravel_index 还原成 (行, 列)。参数上唯一要注意的是 axis-1它保证求和发生在特征维而不是网格维写错 axis 会得到完全错误的结果。2.2 三种邻域函数与两种衰减策略的选型BMU 找到之后要更新它和它邻居的权重。邻居范围由邻域函数决定这份代码支持高斯邻域、墨西哥帽邻域、气泡邻域三种。高斯邻域是最常用的权重按距离高斯衰减气泡邻域是硬截断半径内权重一样、半径外不更新墨西哥帽邻域会先正后负让远邻被轻微推开适合簇间分离要求高的场景。邻域半径和邻域内权重的衰减策略由学习率与半径衰减控制代码提供指数衰减和线性衰减两种def decay_exponential(initial, iteration, total, rate0.05): # 指数衰减前期下降快后期趋于平缓 return initial * np.exp(-rate * iteration / total) def decay_linear(initial, iteration, total): # 线性衰减均匀下降适合迭代次数不多的场景 return initial * (1 - iteration / total)逻辑说明指数衰减的 rate 控制下降陡峭程度rate 越大前期收缩越快线性衰减没有额外参数行为可预测。参数上学习率初始值一般取 0.5 到 1.0半径初始值取网格对角线的一半左右最终都衰减到一个很小的值学习率约 0.01半径约 1。选型上如果数据簇边界模糊、想让网络更平滑用高斯邻域配指数衰减如果迭代轮数少、想每轮都稳定更新用气泡邻域配线性衰减。2.3 权重更新与训练循环的完整步骤权重更新公式是新权重 旧权重 学习率 × 邻域权重 × (样本 - 旧权重)。邻域权重由邻域函数根据节点到 BMU 的网格距离算出。完整训练循环如下for it in range(total_iter): lr decay_exponential(lr0, it, total_iter) radius decay_exponential(r0, it, total_iter) for sample in data: bmu_idx, _ find_bmu(weights, sample) for i in range(grid_h): for j in range(grid_w): grid_dist np.sqrt((i - bmu_idx[0])**2 (j - bmu_idx[1])**2) if grid_dist radius: h np.exp(-(grid_dist**2) / (2 * radius**2)) # 高斯邻域 weights[i, j] lr * h * (sample - weights[i, j])逻辑说明外层控制衰减内层对每个样本找 BMU 再更新邻域。grid_dist 是网格空间的距离不是特征空间距离这点新手容易搞混。参数上total_iter 一般取 1000 到 10000数据量大就往上加radius 必须随迭代收缩否则后期网络会一直抖动不收敛。实际代码里内层双重循环做了向量化但理解时按这个朴素版本看最清楚。3. 跑通 main.py 与 basic_example.py从安装到出图的完整流程3.1 环境准备与依赖安装拿到压缩包后先解压目录结构里 src 放核心实现som.py、visualizer.py、utils.pydata 放五份数据集examples 放示例脚本output 是出图目录tests 放单元测试。依赖清单在 requirements.txt 里主要是 numpy、matplotlib、pandas 这几个。# 建议先建虚拟环境避免污染全局 python -m venv som_env source som_env/bin/activate # Windows 用 som_env\Scripts\activate pip install -r requirements.txt逻辑说明虚拟环境不是必须但 SOM 依赖 numpy 版本全局环境里如果有旧版 numpy 容易冲突。参数上 requirements.txt 没锁死版本如果安装后报 numpy 相关的 API 错误常见做法是手动指定 numpy1.20。装完先跑最小验证python examples/basic_example.py这个脚本用简单数据跑一遍训练并出图成功的话 output 目录会多出 simple_data_mapping.png、simple_training_history.png、simple_weights_grid.png、simple_u_matrix.png 四张图。看到图就说明环境通了。3.2 完整演示 main.py 的四个示例main.py 会依次跑螺旋数据聚类、鸢尾花降维、RGB 颜色聚类、参数比较分析。螺旋数据是最能体现 SOM 拓扑保持能力的场景因为螺旋是强非线性缠绕K-Means 这类基于距离的硬聚类很容易切错而 SOM 靠邻域更新能把螺旋在网格上摊开。python main.py跑完后 output 目录会生成 spiral_data_mapping.png、spiral_som_demo.png、spiral_weights_grid.png、spiral_u_matrix.png、spiral_training_history.png、color_som_demo.png 等图。其中 U-Matrix 值得重点看它把每个网格节点到邻居的平均距离画成热力图距离大的地方就是簇边界颜色深的沟壑把不同簇分开。如果 U-Matrix 上沟壑清晰、簇内颜色均匀说明训练到位如果一片糊多半是迭代不够或学习率衰减太快。3.3 换自己的数据要改哪几个参数想拿自己的 CSV 跑最省事的路径是照着 examples/basic_example.py 改。核心就三步读数据、建 SOM 对象、训练加可视化。import pandas as pd from src.som import SOM from src.visualizer import SOMVisualizer df pd.read_csv(data/your_data.csv) data df.select_dtypes(include[float, int]).values # 只取数值列 data (data - data.mean(axis0)) / data.std(axis0) # 标准化别跳过 som SOM(grid_h10, grid_w10, n_featuresdata.shape[1], neighborhoodgaussian, decayexponential, learning_rate0.5, radiusNone, iterations5000) som.train(data) viz SOMVisualizer(som) viz.plot_u_matrix(save_pathoutput/my_u_matrix.png) viz.plot_weights_grid(save_pathoutput/my_weights_grid.png)逻辑说明标准化这步别省SOM 用欧氏距离量纲差一个数量级就会让某个特征主导整个映射。grid 尺寸按样本量估常见做法是节点数约为样本数的 5 到 10 倍再开方比如 1000 条样本用 10×10 到 15×15。参数上 neighborhood 选 gaussian 最稳decay 选 exponential 配 iterations5000 起步radius 留 None 时代码会按网格尺寸自动设初值。n_features 必须和数据列数一致写错会在训练时抛维度不匹配。4. 避坑与排查SOM 训练里最容易翻车的五个点4.1 现象所有样本映射到同一个网格节点原因学习率或邻域半径初始值太小或者迭代次数严重不足权重还没分化开就停了。解决把 learning_rate 初始值提到 0.5 以上radius 设为网格对角线的一半iterations 至少 1000 起步。如果数据维度很高先做标准化再训练。4.2 现象U-Matrix 一片均匀看不出簇边界原因邻域半径衰减太慢网络被过度平滑簇之间的差异被抹平。解决把半径衰减速率调大或者改用气泡邻域做硬截断。也可以减少网格节点数节点太密会让每个簇占太多格子边界反而不明显。4.3 现象训练历史曲线后期剧烈震荡不收敛原因学习率衰减到底后没有保持一个下限或者半径衰减到小于 1 之后还在更新远邻。解决给学习率设一个最小下限如 0.01半径衰减到 1 附近就固定住。常见做法是前 80% 迭代衰减后 20% 保持小学习率微调。4.4 现象换自己的数据后报维度不匹配原因n_features 写成了原始 CSV 的列数但实际喂进去的是筛选后的数值列列数对不上。解决先打印 data.shape 确认列数再把这个值传给 n_features。分类列要么做独热编码要么直接丢掉别硬塞进 SOM。4.5 现象可视化出图是空白或只有坐标轴原因matplotlib 后端在无图形界面环境下没切到 Agg或者 save_path 目录不存在。解决在脚本开头加 matplotlib.use(Agg)并确保 output 目录已创建。如果是在服务器上跑这一步几乎必踩。5. 用评估指标验证聚类质量别只看图说话图好看不代表聚类对。这份代码给了四个指标量化误差QE衡量样本到 BMU 的平均距离越小说明映射越贴合数据拓扑误差TE衡量 BMU 和第二近节点是否在网格上相邻越小说明拓扑保持越好邻域保持度看原始空间近邻在网格上是否还近网络利用率看有多少节点被激活过太低说明网格开大了浪费太高说明网格不够用。qe som.quantization_error(data) te som.topological_error(data) util som.network_utilization(data) print(fQE{qe:.4f} TE{te:.4f} 利用率{util:.2%})逻辑说明QE 和 TE 要一起看。QE 低但 TE 高说明映射贴合但拓扑乱了多半是邻域半径衰减太快QE 高但 TE 低说明拓扑保住了但映射粗糙多半是迭代不够或网格太小。利用率低于 50% 就把网格缩小高于 90% 就放大。我一般会先跑一轮看这四个数再决定要不要调网格尺寸和迭代次数比反复出图猜要快得多。从那以后我每次跑 SOM 都强制先看 QE、TE 和利用率这三个数图只用来做最终确认。希望帮到你。本文还有配套的精品资源点击获取
简介这份资源面向机器学习初学者与需要做数据降维、聚类可视化的开发者提供自组织映射SOM算法的完整Python实现。SOM是一种无监督神经网络方法可将高维数据映射到二维网格并保持拓扑结构常用于数据探索与特征可视化。压缩包共31个文件约3.55MB以9个py源码文件为核心涵盖网络初始化、BMU查找、权重更新及高斯、墨西哥帽、气泡等多种邻域函数并支持指数与线性衰减策略另有10个png可视化结果、5个csv示例数据集及2个md说明文档便于直接运行与对照理解。代码内置权重网格、U-Matrix、激活图、训练历史等可视化并提供量化误差、拓扑误差、邻域保持度等评估指标示例覆盖螺旋数据聚类、鸢尾花降维与RGB颜色聚类。已有84人学习适合希望快速上手SOM并复现实验的读者。1. 从一张二维网格看懂 SOM它到底在解决什么聚类问题高维数据聚类最让人头疼的不是算不出来而是算完了没法看。K-Means 给你一堆标签PCA 给你两个主成分但数据的拓扑关系、簇与簇之间的过渡带、离群点落在哪往往还是黑匣子。自组织映射Self-Organizing MapSOM走的是另一条路它把高维样本映射到一张二维网格上让相似样本在网格上靠得近不相似的被推开同时保留原始空间的邻域关系。这份 Python 代码包把 SOM 从初始化、BMU 查找、邻域衰减到权重更新整条链路都实现了还配了权重网格、U-Matrix、激活图、训练历史等可视化以及量化误差、拓扑误差、邻域保持度、网络利用率四类评估指标。适合两类人一类是想拿现成代码跑通聚类和降维可视化的从业者另一类是想拆开看 SOM 内部每一步怎么算、参数怎么调的学习者。压缩包里 main.py、demo.py、examples/basic_example.py 三个入口分别对应完整演示、快速演示和最小验证data 目录下 circles、blobs、spiral、iris、colors 五份数据覆盖了从线性可分到强非线性缠绕的典型场景。2. 拆开 som.pyBMU 查找、邻域函数与权重更新怎么落地2.1 网络初始化与 BMU 查找的代码路径SOM 的第一步是初始化一张二维权重网格。常见做法有两种随机初始化或者从样本里随机抽若干条当初始权重。这份代码在 som.py 里把两种都留了口子默认走随机初始化。权重矩阵的形状是 (grid_h, grid_w, n_features)每个网格节点是一个和输入同维的向量。BMUBest Matching Unit查找是每次迭代的核心对每个输入样本遍历所有网格节点算欧氏距离取最近的那个。代码里用向量化写法避免 Python 循环逻辑等价于下面这段import numpy as np def find_bmu(weights, sample): # weights: (grid_h, grid_w, n_features) # sample: (n_features,) diff weights - sample # 广播到每个节点 dist_sq np.sum(diff ** 2, axis-1) # 每个节点的平方欧氏距离 bmu_idx np.unravel_index(np.argmin(dist_sq), dist_sq.shape) return bmu_idx, dist_sq[bmu_idx]逻辑说明diff 利用广播把样本向量减到每个网格节点上dist_sq 在最后一维求和得到每个节点的距离平方argmin 拿到全局最小值的扁平索引再用 unravel_index 还原成 (行, 列)。参数上唯一要注意的是 axis-1它保证求和发生在特征维而不是网格维写错 axis 会得到完全错误的结果。2.2 三种邻域函数与两种衰减策略的选型BMU 找到之后要更新它和它邻居的权重。邻居范围由邻域函数决定这份代码支持高斯邻域、墨西哥帽邻域、气泡邻域三种。高斯邻域是最常用的权重按距离高斯衰减气泡邻域是硬截断半径内权重一样、半径外不更新墨西哥帽邻域会先正后负让远邻被轻微推开适合簇间分离要求高的场景。邻域半径和邻域内权重的衰减策略由学习率与半径衰减控制代码提供指数衰减和线性衰减两种def decay_exponential(initial, iteration, total, rate0.05): # 指数衰减前期下降快后期趋于平缓 return initial * np.exp(-rate * iteration / total) def decay_linear(initial, iteration, total): # 线性衰减均匀下降适合迭代次数不多的场景 return initial * (1 - iteration / total)逻辑说明指数衰减的 rate 控制下降陡峭程度rate 越大前期收缩越快线性衰减没有额外参数行为可预测。参数上学习率初始值一般取 0.5 到 1.0半径初始值取网格对角线的一半左右最终都衰减到一个很小的值学习率约 0.01半径约 1。选型上如果数据簇边界模糊、想让网络更平滑用高斯邻域配指数衰减如果迭代轮数少、想每轮都稳定更新用气泡邻域配线性衰减。2.3 权重更新与训练循环的完整步骤权重更新公式是新权重 旧权重 学习率 × 邻域权重 × (样本 - 旧权重)。邻域权重由邻域函数根据节点到 BMU 的网格距离算出。完整训练循环如下for it in range(total_iter): lr decay_exponential(lr0, it, total_iter) radius decay_exponential(r0, it, total_iter) for sample in data: bmu_idx, _ find_bmu(weights, sample) for i in range(grid_h): for j in range(grid_w): grid_dist np.sqrt((i - bmu_idx[0])**2 (j - bmu_idx[1])**2) if grid_dist radius: h np.exp(-(grid_dist**2) / (2 * radius**2)) # 高斯邻域 weights[i, j] lr * h * (sample - weights[i, j])逻辑说明外层控制衰减内层对每个样本找 BMU 再更新邻域。grid_dist 是网格空间的距离不是特征空间距离这点新手容易搞混。参数上total_iter 一般取 1000 到 10000数据量大就往上加radius 必须随迭代收缩否则后期网络会一直抖动不收敛。实际代码里内层双重循环做了向量化但理解时按这个朴素版本看最清楚。3. 跑通 main.py 与 basic_example.py从安装到出图的完整流程3.1 环境准备与依赖安装拿到压缩包后先解压目录结构里 src 放核心实现som.py、visualizer.py、utils.pydata 放五份数据集examples 放示例脚本output 是出图目录tests 放单元测试。依赖清单在 requirements.txt 里主要是 numpy、matplotlib、pandas 这几个。# 建议先建虚拟环境避免污染全局 python -m venv som_env source som_env/bin/activate # Windows 用 som_env\Scripts\activate pip install -r requirements.txt逻辑说明虚拟环境不是必须但 SOM 依赖 numpy 版本全局环境里如果有旧版 numpy 容易冲突。参数上 requirements.txt 没锁死版本如果安装后报 numpy 相关的 API 错误常见做法是手动指定 numpy1.20。装完先跑最小验证python examples/basic_example.py这个脚本用简单数据跑一遍训练并出图成功的话 output 目录会多出 simple_data_mapping.png、simple_training_history.png、simple_weights_grid.png、simple_u_matrix.png 四张图。看到图就说明环境通了。3.2 完整演示 main.py 的四个示例main.py 会依次跑螺旋数据聚类、鸢尾花降维、RGB 颜色聚类、参数比较分析。螺旋数据是最能体现 SOM 拓扑保持能力的场景因为螺旋是强非线性缠绕K-Means 这类基于距离的硬聚类很容易切错而 SOM 靠邻域更新能把螺旋在网格上摊开。python main.py跑完后 output 目录会生成 spiral_data_mapping.png、spiral_som_demo.png、spiral_weights_grid.png、spiral_u_matrix.png、spiral_training_history.png、color_som_demo.png 等图。其中 U-Matrix 值得重点看它把每个网格节点到邻居的平均距离画成热力图距离大的地方就是簇边界颜色深的沟壑把不同簇分开。如果 U-Matrix 上沟壑清晰、簇内颜色均匀说明训练到位如果一片糊多半是迭代不够或学习率衰减太快。3.3 换自己的数据要改哪几个参数想拿自己的 CSV 跑最省事的路径是照着 examples/basic_example.py 改。核心就三步读数据、建 SOM 对象、训练加可视化。import pandas as pd from src.som import SOM from src.visualizer import SOMVisualizer df pd.read_csv(data/your_data.csv) data df.select_dtypes(include[float, int]).values # 只取数值列 data (data - data.mean(axis0)) / data.std(axis0) # 标准化别跳过 som SOM(grid_h10, grid_w10, n_featuresdata.shape[1], neighborhoodgaussian, decayexponential, learning_rate0.5, radiusNone, iterations5000) som.train(data) viz SOMVisualizer(som) viz.plot_u_matrix(save_pathoutput/my_u_matrix.png) viz.plot_weights_grid(save_pathoutput/my_weights_grid.png)逻辑说明标准化这步别省SOM 用欧氏距离量纲差一个数量级就会让某个特征主导整个映射。grid 尺寸按样本量估常见做法是节点数约为样本数的 5 到 10 倍再开方比如 1000 条样本用 10×10 到 15×15。参数上 neighborhood 选 gaussian 最稳decay 选 exponential 配 iterations5000 起步radius 留 None 时代码会按网格尺寸自动设初值。n_features 必须和数据列数一致写错会在训练时抛维度不匹配。4. 避坑与排查SOM 训练里最容易翻车的五个点4.1 现象所有样本映射到同一个网格节点原因学习率或邻域半径初始值太小或者迭代次数严重不足权重还没分化开就停了。解决把 learning_rate 初始值提到 0.5 以上radius 设为网格对角线的一半iterations 至少 1000 起步。如果数据维度很高先做标准化再训练。4.2 现象U-Matrix 一片均匀看不出簇边界原因邻域半径衰减太慢网络被过度平滑簇之间的差异被抹平。解决把半径衰减速率调大或者改用气泡邻域做硬截断。也可以减少网格节点数节点太密会让每个簇占太多格子边界反而不明显。4.3 现象训练历史曲线后期剧烈震荡不收敛原因学习率衰减到底后没有保持一个下限或者半径衰减到小于 1 之后还在更新远邻。解决给学习率设一个最小下限如 0.01半径衰减到 1 附近就固定住。常见做法是前 80% 迭代衰减后 20% 保持小学习率微调。4.4 现象换自己的数据后报维度不匹配原因n_features 写成了原始 CSV 的列数但实际喂进去的是筛选后的数值列列数对不上。解决先打印 data.shape 确认列数再把这个值传给 n_features。分类列要么做独热编码要么直接丢掉别硬塞进 SOM。4.5 现象可视化出图是空白或只有坐标轴原因matplotlib 后端在无图形界面环境下没切到 Agg或者 save_path 目录不存在。解决在脚本开头加 matplotlib.use(Agg)并确保 output 目录已创建。如果是在服务器上跑这一步几乎必踩。5. 用评估指标验证聚类质量别只看图说话图好看不代表聚类对。这份代码给了四个指标量化误差QE衡量样本到 BMU 的平均距离越小说明映射越贴合数据拓扑误差TE衡量 BMU 和第二近节点是否在网格上相邻越小说明拓扑保持越好邻域保持度看原始空间近邻在网格上是否还近网络利用率看有多少节点被激活过太低说明网格开大了浪费太高说明网格不够用。qe som.quantization_error(data) te som.topological_error(data) util som.network_utilization(data) print(fQE{qe:.4f} TE{te:.4f} 利用率{util:.2%})逻辑说明QE 和 TE 要一起看。QE 低但 TE 高说明映射贴合但拓扑乱了多半是邻域半径衰减太快QE 高但 TE 低说明拓扑保住了但映射粗糙多半是迭代不够或网格太小。利用率低于 50% 就把网格缩小高于 90% 就放大。我一般会先跑一轮看这四个数再决定要不要调网格尺寸和迭代次数比反复出图猜要快得多。从那以后我每次跑 SOM 都强制先看 QE、TE 和利用率这三个数图只用来做最终确认。希望帮到你。本文还有配套的精品资源点击获取
