R语言 RSNNS包 som()函数中文帮助文档(中英文对照)

loveR

som(RSNNS)
som()所属R语言包：RSNNS

                                        Create and train a self-organizing map (SOM)
                                         建立和培养了自组织映射（SOM）

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

This function creates and trains a self-organizing map (SOM). SOMs are neural networks with one hidden layer.  The network structure is similar to LVQ, but the method is unsupervised  and uses a notion of neighborhood between the units.  The general idea is that the map develops by itself a notion of similarity among  the input and represents this as spatial nearness on the map. Every hidden unit represents a prototype. The goal of learning is to distribute the prototypes in the feature space such that the (probability  density of the) input is represented well. SOMs are usually built with 1d, 2d quadratic, 2d hexagonal, or 3d  neighborhood, so that they can be visualized straightforwardly.
这个函数创建并培养了自组织映射（SOM）。高官会议是一个隐藏层的神经网络。的网络结构是类似的LVQ，但该方法是无监督的，并使用一个概念的邻域之间的单位。总的想法是图的发展本身就是一个概念的相似性之间的输入，这是空间的接近在图上。每一个隐藏的单元代表一个原型。学习的目标是使得（）输入的概率密度表示以及分发的在特征空间中的原型。高官会议通常使用与二次1D，2D，二维六角形，或3D的附近，让他们可以可视化直截了当地。


用法----------Usage----------


## Default S3 method:[默认方法]
som(x, mapX=16, mapY=16, maxit=100, initFuncParams=c(1, -1),
    learnFuncParams=c(0.5, mapX/2, 0.8, 0.8, mapX),
    updateFuncParams=c(0, 0, 1), shufflePatterns=TRUE,
    calculateMap=TRUE, calculateActMaps=FALSE,
    calculateSpanningTree=FALSE, saveWinnersPerPattern=FALSE, targets,
    ...)



参数----------Arguments----------

参数：x
a matrix with training inputs for the network
矩阵的网络培训投入


参数：mapX
the x dimension of the som
x维度的索姆


参数：mapY
the y dimension of the som
y维度的索姆


参数：maxit
maximum of iterations to learn
最大的迭代学习


参数：initFuncParams
the parameters for the initialization function
初始化函数的参数


参数：learnFuncParams
the parameters for the learning function
学习功能的参数


参数：updateFuncParams
the parameters for the update function
更新功能的参数


参数：shufflePatterns
should the patterns be shuffled?
应的模式被打乱？


参数：calculateMap
should the som be calculated?
索姆计算？


参数：calculateActMaps
should the activation maps be calculated?
激活图计算出来的？


参数：calculateSpanningTree
should the SNNS kernel algorithm for generating a spanning tree be applied?
应SNNS内核产生的生成树算法应用呢？


参数：saveWinnersPerPattern
should a list with the winners for every pattern be saved?
应为每个模式与获奖者名单得救了吗？


参数：targets
optional target classes of the patterns
可选的目标类的模式


参数：...
additional function parameters (currently not used)
附加功能参数（目前没有使用）


Details

详细信息----------Details----------

som: As the computation of this function might be slow if many patterns are involved, much of its output is made switchable (see comments on return values).  
som：由于计算这个功能可能会很慢如果涉及许多模式，其输出切换（查看评论返回值）。

Internally, this function uses the initialization function Kohonen_Weights_v3.2, the learning function Kohonen, and the update function Kohonen_Order of SNNS.
在内部，这个功能使用初始化函数Kohonen_Weights_v3.2，学习功能Kohonen，和更新功能Kohonen_OrderSNNS的。


值----------Value----------

som.default: an rsnns object. Depending on which calculation flags are  switched on, the som generates some special members:
som.default：rsnns对象。根据计算标志开启时，SOM会产生一些特殊的成员：


参数：map
the som. For each unit, the amount of patterns where this unit won is given.
索姆。对于每个单元，给出量的模式，在此单元韩元。


参数：componentMaps
a map for every input component, showing where in the map this component leads to high activation.
图为每一个输入组件，在图上显示这个组件导致活性高。


参数：actMaps
a list containing for each pattern its activation map, i.e. all unit activations. The actMaps are an intermediary result, from which all other results can be computed. This list can be very long, so normally it won't be saved.
一个列表，其中包含每个模式的激活图，即所有的单元激活。 actMaps是一个中间结果，可以计算，所有其他的结果。此列表可能会很长，所以它通常不会被保存。


参数：winnersPerPattern
a vector where for each pattern the number of the winning unit is given. Also, an intermediary result that normally won't be saved.
一个向量，其中每个模式的数目的获奖单元给出。另外，中介的结果，通常不会被保存。


参数：labeledUnits
a matrix which – if the targets parameter is given – contains for each unit (rows) and each class  present in the targets (columns), the amount of patterns of the class where the unit has won. From the labeledUnits,  the labeledMap can be computed, e.g. by voting of the class labels for the final label of the unit.   
的矩阵 - 如果targets参数 - 包含的每个单元（行）和每个类中存在targets（列），该单元具有的类中的量的模式赢了。从labeledUnits，labeledMap可以计算的，例如表决通过该单元的最后一个标签之类的标签。


参数：labeledMap
a labeled som that is computed from labeledUnits using decodeClassLabels.
标记索姆，计算从labeledUnits使用decodeClassLabels。


参数：spanningTree
the result of the original SNNS function to calculate the map. For each unit, the last pattern where this unit won is present. As the other results are more informative, the spanning tree is only interesting, if the other functions are too slow or if the original SNNS implementation is needed.
的结果的原始SNNS函数来计算在图。每一个单位，最后赢得了本机的模式是存在的。作为其他的结果是更多的信息，生成树仅仅是有趣的，如果其他的功能是太慢或如果需要原始SNNS实现。


参考文献----------References----------


http://www.ra.cs.uni-tuebingen.de/SNNS/
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。