Selbstorganisierende Karten (Self-Organizing Maps, SOM) sind eine Klasse unüberwachter lernender neuronaler Netze, die eine nichtlineare Projektion hochdimensionaler Daten auf eine niedrigdimensionale, meist zweidimensionale Gitterstruktur realisieren.
Das Modell wurde von Teuvo Kohonen entwickelt und basiert auf einem Wettbewerbslernprozess, bei dem für jede Eingabe das am besten passende Neuron (Best Matching Unit, BMU) bestimmt wird.
Die Gewichte der BMU und ihrer topologischen Nachbarn werden schrittweise angepasst, um die Eingabedaten strukturerhaltend abzubilden.
Diese Methode erlaubt die Visualisierung von Datenclustern und die Erkennung latenter Strukturen ohne explizite Klassenlabels.
Definition:
„Eine selbstorganisierende Karte ist ein unüberwachtes neuronales Netz, das durch kompetitives Lernen eine topologische Abbildung von hochdimensionalen Eingabedaten auf eine niedrigdimensionale Gitterstruktur erzeugt.“
Quelle:
Kohonen, T. (1982). Self-Organized Formation of Topologically Correct Feature Maps. Biological Cybernetics, 43(1), 59-69.