考虑一个包含 1000 个模式的数据集，每个模式有 100 个特征。绘制这些数据是不可能的。当这些数据通过 SOM 运行时，网络会学习权重，以便每个神经元汇总向量的一个子集。训练完成后，相似的模式被映射到邻域神经元，相距较远的神经元代表不同的模式。可视化此映射可以告诉您哪些模式位于 2D 空间中的位置。

例如，在世界贫困地图[1] [2]中，每个模式都是一个长度为 39 的向量，代表一个国家。当这个数据集通过 SOM 运行时，国家（模式）被映射到最近的神经元，可以看出这些国家是根据其经济状况排列在一起的。

在运行 SOM 直到满足停止标准后，每个模式/输入向量都被映射到最佳匹配单元。因此，例如，比利时（BEL）最接近地图中第一个节点（右上角）的权重向量，因此映射到它。

每个节点根据其权重向量与其相邻节点的权重向量（U 矩阵）的平均距离进行着色。

然而，目前尚不清楚如何实现降维。

降维可以很容易地解释：假设您有一个巨大的矩阵，所有国家都列在水平方向上，所有可能的特征列在垂直方向上，并且每个特征和每个国家都在矩阵中设置了一个标志。许多特征与它们出现的模式有相似之处，因此这些特征可以组合成特征组。我们现在所做的只是从一开始的巨大矩阵进行简单的矩阵分解，变成一个垂直分组特征和水平国家的小矩阵，以及一个所有原始特征和所有分组的另一个小矩阵另一方面的特点。这就是所有的魔法，只是一个简单的矩阵分解。