som聚类的一个实际应用例子，对鱼的种类进行聚类区分

文本挖掘是数据挖掘领域中一个热门的研究方向。在文本挖掘领域中，文本聚类技术有助于缩小数据搜索空间，提高查询精度。作为一种无监督的机器学习方法，文本聚 类技术己经成为对文本信息进行有效地组织、摘要和导航的重要手段，为越来越多的研究人员所关注。可以说，文本聚类的研究具有重要的理论意义和实际使用价值。自组织特征映射神经网络SOM在聚类应用中具有自组织映射、可视化好、计算效率高、聚类效果好等良好特性。因此，本文将SOM神经网络应用到中文文本聚类中，研究其在文本聚类中的有关特性。

利用som聚类方法对图像实现了聚类。利用som聚类方法对图像实现了聚类。

主要为大家详细介绍了python实现SOM算法，聚类算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

自组织图 在Python上的IRIS数据集上实现基本SOM聚类。 SOM教程： : 数据集来源： ： 聚类结果的可视化： Red = Iris-Setosa Green = Iris-Virginica Blue = Iris-Versicolor 以上视觉表示的详细信息： 可以说每个像素代表SOM的一个节点。 如果像素颜色鲜艳，则意味着该颜色表示的许多类别的图案都会激活该像素，即，该像素是同一类别的许多图案的最佳匹配单位。 相反也是如此。 也就是说，深色像素是该颜色所代表的类别的少数几种模式的最佳匹配单位。 如果颜色是两种颜色的混合（例如“蓝绿色”），则像素代表“灰色区域”，即该像素是不同类别图案的最佳匹配单位。 对于任何输入模式，黑色像素都不是最匹配的像素。

当今时代, 网络舆情传播速度快、影响力大, 而话题检测在网络舆情监管中有着不可替代的作用. 针对传统方法提取文本特征不完整和特征维度过高的问题, 本文提出了基于时间衰减因子的LDA&&Word2Vec文本表示模型, 将LDA模型的隐含主题特征和Word2Vec模型的语义特征进行加权融合, 并引入了时间衰减因子, 同时起到了降维和提高文本特征完整度的作用. 同时, 本文又提出了Single-Pass-SOM组合聚类模型, 该模型解决了SOM模型需要设定初始神经元的问题, 提高了话题聚类的精度. 实验结果表明, 本文提出的文本表示模型和文本聚类方法较传统方法拥有更好的话题检测效果.

随着微博用户的增多，微博平台的信息更新频繁。针对微博文本的数据稀疏性、新词多、用语不规范等特点，提出了基于SOM聚类的微博话题发现方法。从原始语料中对文本进行预处理，通过词向量模型对短文本进行特征提取，降低了向量维度过高带来的计算量繁重问题。采用改进的SOM对话题进行聚类，该算法改善了传统文本聚类的不足，进而能有效地发现话题。实验表明该算法较传统文本聚类算法的综合指标F值有明显提高。

SOM（Self Organizing Maps ） 的目标是用低维目标空间的点来表示高维空间中的点，并且尽可能保持对应点的距离和邻近关系（拓扑关系）。该算法可用于降维和聚类等方面，此代码主要用于实现聚类。

直接可用的SOM聚类matlab代码