SOM в основном представляют собой алгоритм уменьшения размерности, а не инструмент классификации. Они используются для уменьшения размерности так же, как PCA и подобные методы (после обучения вы можете проверить, какой нейрон активируется вашим вводом, и использовать положение этого нейрона в качестве значения), единственное фактическое отличие состоит в их способности сохранять заданную топологию. выходного представления. Итак, то, что на самом деле производит SOM, — это отображение вашего входного пространства X в уменьшенное пространство Y (наиболее распространенной является двумерная решетка, делающая Y двухмерным пространством). Чтобы выполнить фактическую классификацию, вы должны преобразовать свои данные с помощью этого сопоставления и запустить какую-либо другую классификационную модель (SVM, нейронную сеть, дерево решений и т. д.).
Другими словами, SOM используются для поиска другого представления данных. Представление, которое легко для дальнейшего анализа людьми (поскольку оно в основном двухмерное и может быть построено на графике), и очень простое для любых дальнейших моделей классификации. Это отличный метод визуализации многомерных данных, анализа того, «что происходит», как некоторые классы сгруппированы геометрически и т. д. Но их не следует путать с другими нейронными моделями, такими как искусственные нейронные сети или даже растущий нейронный газ (который — очень похожая концепция, но дающая прямую кластеризацию данных), поскольку они служат другой цели. Конечно, можно использовать SOM непосредственно для классификации, но это модификация исходной идеи, которая требует другого представления данных, и в целом работает не так хорошо, как использование какого-либо другого классификатора поверх него.