原文链接：http:///?p=19077自组织映射 （SOM）是一种工具，通过生成二维表示来可视化高维数据中的模式，在高维结构中显示有意义的模式（点击文末“阅读原文”获取完整代码数据）。
相关视频
导入通过以下方式使用给定的数据（或数据样本）对SOM进行“训练”：
定义了网格的大小。
网格中的每个单元都在数据空间中分配了一个初始化向量。
例如，如果要创建22维空间的地图，则会为每个网格单元分配一个22维向量。
数据被反复输入到模型中进行训练。每次输入训练向量时，都会执行以下过程：
识别具有最接近训练向量的代表向量的网格单元。
随着训练向量的多次输入，收敛的参数使调整变得越来越小，从而使地图稳定。
相关视频
该算法赋予SOM的关键特征：数据空间中接近的点在SOM中更接近。因此，SOM可能是表示数据中的空间聚类的好工具。
相关视频
Kohonen映射类型下面的示例将使用2015/16 NBA赛季的球员统计数据。我们将查看每36分钟更新一次的球员统计信息。这些数据可从 http://www./获得。我们已经清理了数据。
NBA <- read.csv("NBA_cleaned.csv", sep = ",", header = T, check.names = FALSE)基本SOM在创建SOM之前，我们需要选择要在其中搜索模式的变量。
colnames(NBA)## \[1\] "" "Player" "Pos" "Age" "Tm" "G" "GS" ## \[8\] "MP" "FG" "FGA" "FG%" "3P" "3PA" "3P%" ## \[15\] "2P" "2PA" "2P%" "FT" "FTA" "FT%" "ORB" ## \[22\] "DRB" "TRB" "AST" "STL" "BLK" "TOV" "PF" ## \[29\] "PTS"我们从简单示例开始：
som(scale(NBA\[res1\], grid = somgrid(6, 4, "rectangular")
请注意，我们标准化了训练数据，并定义了网格大小。标准SOM图可为网格单元的代表矢量创建这些饼图表示，其中半径对应于特定维度上的大小。