SOM (Self-Organizing Feature Map) คืออะไร?
SOM ย่อมาจาก Self-Organizing Feature Map เป็นแนวทางการจัดกลุ่ม (clustering) และการแสดงภาพข้อมูล (data visualization) ที่พัฒนาจากมุมมองของเครือข่ายประสาทเทียม (neural network) วัตถุประสงค์หลักของ SOM คือการค้นหาชุดของ centroid (ที่เรียกในภาษา SOM ว่า reference vectors) และจับคู่วัตถุข้อมูลแต่ละชิ้นให้กับ centroid ที่ให้ความใกล้ชิดที่สุด ในวิธีการเครือข่ายประสาท จะมีโหนดประสาท (neuron) หนึ่งตัวสอดคล้องกับ centroid หนึ่งตัว
ความแตกต่างระหว่าง SOM และ K-means แบบเพิ่มเติม (Incremental K-means)
คล้ายกับ K-means แบบเพิ่มเติม วัตถุข้อมูลจะถูกนำเสนอทีละชิ้น และ centroid ที่ใกล้ที่สุดจะถูกปรับปรุง แต่แตกต่างจาก K-means ที่ SOM กำหนดลำดับแบบภูมิประเทศ (topographic ordering) บน centroid ทำให้ centroid ที่อยู่ใกล้กันในกริดก็จะถูกปรับปรุงด้วยเช่นกัน นอกจากนี้ SOM ไม่ได้บันทึกประวัติการเป็นสมาชิกกลุ่มล่าสุดของวัตถุ และไม่เหมือน K-means ที่ถ้าวัตถุเปลี่ยนกลุ่ม จะมีการปรับปรุง centroid ของกลุ่มเดิมโดยเฉพาะ
กลุ่มเดิมอาจอยู่ในบริเวณใกล้เคียงของกลุ่มใหม่ จึงอาจถูกปรับปรุงด้วยเหตุผลนั้น การประมวลผลจุดข้อมูลจะดำเนินต่อไปจนถึงขีดจำกัดที่กำหนดไว้ล่วงหน้า หรือจนกว่า centroid จะไม่เปลี่ยนแปลงมากนัก ผลลัพธ์สุดท้ายของ SOM คือชุด centroid ที่แสดงถึงกลุ่มโดยนัย กลุ่มแต่ละกลุ่มประกอบด้วยจุดที่อยู่ใกล้ centroid เฉพาะตัวมากที่สุด
โครงสร้างของ SOM
แต่ละ centroid จะได้รับคู่พิกัด (i, j) บางครั้งเครือข่ายนี้จะวาดพร้อมเส้นเชื่อมระหว่างโหนดที่อยู่ติดกัน แต่สิ่งนี้อาจทำให้เข้าใจผิด เพราะอิทธิพลของ centroid หนึ่งต่ออีก centroid หนึ่งเป็นบริเวณเพื่อนบ้าน (neighborhood) ที่แสดงผ่านพิกัด ไม่ใช่ผ่านลิงก์ มีหลายประเภทของเครือข่ายประสาท SOM แต่ที่นี่เราจะเน้นที่ SOM สองมิติที่มีการจัดเรียง centroid แบบสี่เหลี่ยมผืนผ้าหรือหกเหลี่ยม
ความสัมพันธ์ทางภูมิศาสตร์ใน SOM
Centroid ใน SOM มีความสัมพันธ์ทางภูมิศาสตร์ที่กำหนดไว้ล่วงหน้า ระหว่างกระบวนการฝึกอบรม SOM จะนำแต่ละจุดข้อมูลมาใช้ปรับปรุง centroid ที่ใกล้ที่สุด รวมถึง centroid ที่อยู่ใกล้กันในลำดับภูมิศาสตร์ ด้วยวิธีนี้ SOM จะสร้างชุด centroid ที่มีลำดับสำหรับชุดข้อมูลใดๆ
กล่าวอีกนัยหนึ่ง centroid ที่อยู่ใกล้กันในกริด SOM จะเชื่อมโยงกันมากกว่า centroid ที่อยู่ไกลกว่า เนื่องจากข้อจำกัดนี้ centroid ของ SOM สองมิติจึงสามารถมองได้ว่าอยู่บนพื้นผิวสองมิติที่พยายามปรับตัวให้เข้ากับข้อมูล n มิติให้มากที่สุด
