自组织神经网络（SOM）的Python第三方库minisom分类功能实现

minisom分类功能

这个例子展示了如何使用 MiniSom 来解决分类问题。分类机制将使用 MiniSom 实现，评估将使用 sklearn。

首先，让我们加载一个数据集（在本例中是著名的 Iris 数据集）并应用归一化：

from minisom import MiniSom
import numpy as np

data = np.genfromtxt('iris.csv', delimiter=',', usecols=(0, 1, 2, 3))
data = np.apply_along_axis(lambda x: x/np.linalg.norm(x), 1, data)
labels = np.genfromtxt('iris.csv', delimiter=',', usecols=(4), dtype=str)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
 

这是一个简单的分类函数，它使用分配给相关获胜神经元的标签对数据中的样本进行分类。一个标签 C 如果映射到该神经元中的大多数样本具有标签，则与该神经元相关联 C. 该函数将分配数据集中最常见的标签，以防样本映射到未分配类别的神经元。

:
def classify(som, data):
    """Classifies each sample in data in one of the classes definited
    using the method labels_map.
    Returns a list of the same length of data where the i-th element
    is the class assigned to data[i].
    """
    winmap = som.labels_map(X_train, y_train)
    default_class = np.sum(list(winmap.values())).most_common()[0][0]
    result = []
    for d in data:
        win_position = som.winner(d)
        if win_position in winmap:
            result.append(winmap[win_position].most_common()[0][0])
        else:
            result.append(default_class)
    return result

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
 

现在我们可以 1) 拆分训练和测试集中的数据，2) 训练 som，3) 打印包含所有指标的分类报告以评估分类结果。

from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

X_train, X_test, y_train, y_test = train_test_split(data, labels, stratify=labels)

som = MiniSom(7, 7, 4, sigma=3, learning_rate=0.5, 
              neighborhood_function='triangle', random_seed=10)
som.pca_weights_init(X_train)
som.train_random(X_train, 500, verbose=False)

print(classification_report(y_test, classify(som, X_test)))


  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
 

        precision    recall  f1-score   support

  setosa       1.00      1.00      1.00        13

  

 

  
1
  
2
  
3
 

versicolor 0.92 1.00 0.96 12
virginica 1.00 0.92 0.96 13

accuracy                           0.97        38

  

 

  
1
 

macro avg 0.97 0.97 0.97 38
weighted avg 0.98 0.97 0.97 38

原文链接：https://github.com/JustGlowing/minisom/blob/master/examples/Classification.ipynb

文章来源: blog.csdn.net，作者：府学路18号车神，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/weixin_44333889/article/details/118215770