这是我几天来一直在努力解决的问题。从我对自组织地图的研究中，我知道自组织地图的一个共同特点是降低数据的维数。例如，如果您有一个 3x3 SOM，并且输入空间由 50 个 10 维向量组成，则 SOM 会将其减少到 50 个 2 维向量。如果我正在创建自己的 SOM，这些数据在哪里？如果我的问题太模糊或太宽泛，请原谅。附加到 SOM 中每个神经元的参考向量与输入空间的维度相同。输入空间本身的维数不会减少。那么降维数据在哪里呢？换句话说，与自组织地图相关的什么数据结构包含这些数据？我唯一的猜测是，这些数据可以在自组织地图中每个节点的位置中找到。
谢谢！
SOM 网格是一个二维流形或拓扑空间，10 维空间中的每个观测值都通过其与 SOM 网格中每个单元的原型（代码簿向量）的相似性映射到该空间。
SOM 网格在全维空间中是非线性的；“网格”在训练期间被扭曲以更紧密地拟合输入数据。然而，在降维方面的关键点是可以在网格的拓扑空间中测量距离——即二维——而不是完整的维。（其中是变量的数量。）
简单地说，SOM 是维到二维 SOM 网格的映射。
考虑您的二维 SOM 人工神经元单元的目标是使值等于您的高维数据的值。它通过学习过程来实现这一点——从数据中提取一个样本（一行数据），并与地图上的每个单元进行相似性比较。在相似性方面与样本更接近的单元成为该样本的赢家。然后为了实现“学习”，将单元上的值调整为更接近它刚刚赢得的样本的值。该获胜者附近的单位也调整了其值，但数量小于获胜者的数量。单位值的调整使学习发生。对数据中的所有样本重复该过程。在学习过程结束时，
请注意，您的数据值保持不变，它们仅被读取并协助进行学习过程。
现在专注于每个单元在学习过程结束时所承载的价值。每个单元可能已经从数据中赢得了几个样本，它们现在“聚集”在它周围。也就是说，您的数据中的多个样本可以用一个 SOM 单元轻松表示 - 这带来了降维的想法！您的 10 维数据现在可以被可视化为 2 维，因为原始数据集中的相似数据可以由 SOM 的一个单元来表示。
如需更深入的了解，请查看此处