首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Kohonen SOM图显示了集群图中的观测值。怎么去掉?

Kohonen自组织映射(Self-Organizing Map,SOM)是一种用于聚类和可视化数据的机器学习算法,它可以在二维或三维空间中将高维数据投影并形成一个集群图。在SOM图中,每个观测值被表示为一个节点,并根据其相似性在图上进行组织排列。

如果您希望从SOM图中去掉观测值的显示,可以采取以下几种方法:

  1. 移除节点标记:可以通过调整SOM图的可视化参数,将节点上的标记去除或隐藏,使观测值不再显示在图上。具体的操作方法可能会因所使用的可视化工具或库而有所不同。
  2. 调整可视化视图:可以通过缩小SOM图的显示范围或放大观测值所在的区域,使它们在图上无法显示出来。这可以通过调整视图的缩放比例或者移动视图的位置来实现。
  3. 隐藏观测值的连线:在SOM图中,观测值通常以连线的形式连接到相应的节点上。如果希望去掉这些连线的显示,可以调整可视化工具或库的参数,将连线隐藏起来,以使观测值不再与节点相连。

需要注意的是,对SOM图进行修改或调整可能会影响到数据的可视化效果和解读。因此,在进行任何修改之前,建议您仔细考虑其目的和影响,并根据具体情况选择适合的操作方法。

此外,关于腾讯云相关产品和产品介绍链接地址,由于您提到不能提及亚马逊AWS、Azure、阿里云、华为云、天翼云、GoDaddy、Namecheap、Google等流行的云计算品牌商,我无法给出具体的腾讯云产品和链接地址。但腾讯云作为一家领先的云服务提供商,提供了丰富的云计算产品和解决方案,您可以访问腾讯云官方网站(https://cloud.tencent.com/)以获取更多相关信息。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • 四种聚类方法之比较

    聚类分析是一种重要的人类行为,早在孩提时代,一个人就通过不断改进下意识中的聚类模式来学会如何区分猫狗、动物植物。目前在许多领域都得到了广泛的研究和成功的应用,如用于模式识别、数据分析、图像处理、市场研究、客户分割、Web文档分类等[1]。  聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起,不同数据尽量分离。  聚类技术[2]正在蓬勃发展,对此有贡献的研究领域包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等。各种聚类方法也被不断提出和改进,而不同的方法适合于不同类型的数据,因此对各种聚类方法、聚类效果的比较成为值得研究的课题。 1 聚类算法的分类  目前,有大量的聚类算法[3]。而对于具体应用,聚类算法的选择取决于数据的类型、聚类的目的。如果聚类分析被用作描述或探查的工具,可以对同样的数据尝试多种算法,以发现数据可能揭示的结果。  主要的聚类算法可以划分为如下几类:划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法[4-6]。  每一类中都存在着得到广泛应用的算法,例如:划分方法中的k-means[7]聚类算法、层次方法中的凝聚型层次聚类算法[8]、基于模型方法中的神经网络[9]聚类算法等。  目前,聚类问题的研究不仅仅局限于上述的硬聚类,即每一个数据只能被归为一类,模糊聚类[10]也是聚类分析中研究较为广泛的一个分支。模糊聚类通过隶 属函数来确定每个数据隶属于各个簇的程度,而不是将一个数据对象硬性地归类到某一簇中。目前已有很多关于模糊聚类的算法被提出,如著名的FCM算法等。  本文主要对k-means聚类算法、凝聚型层次聚类算法、神经网络聚类算法之SOM,以及模糊聚类的FCM算法通过通用测试数据集进行聚类效果的比较和分析。 2 四种常用聚类算法研究 2.1 k-means聚类算法  k-means是划分方法中较经典的聚类算法之一。由于该算法的效率高,所以在对大规模数据进行聚类时被广泛应用。目前,许多算法均围绕着该算法进行扩展和改进。  k-means算法以k为参数,把n个对象分成k个簇,使簇内具有较高的相似度,而簇间的相似度较低。k-means算法的处理过程如下:首先,随机地 选择k个对象,每个对象初始地代表了一个簇的平均值或中心;对剩余的每个对象,根据其与各簇中心的距离,将它赋给最近的簇;然后重新计算每个簇的平均值。 这个过程不断重复,直到准则函数收敛。通常,采用平方误差准则,其定义如下:

    01
    领券