自组织映射和线性矢量量化
Self organizing Maps and Linear vector quantization
自组织图更适合聚类（降维）而不是分类。但是 SOM 用于线性矢量量化以进行微调。但 LVQ 是一种有监督的学习方法。因此，要在 LVQ 中使用 SOM，应为 LVQ 提供带标签的训练数据集。但由于 SOM 仅进行聚类而不进行分类，因此无法标记数据，因此如何将 SOM 用作 LVQ 的输入？
LVQ 是否对 SOM 中的簇进行微调？
在用于 LVQ 之前，SOM 是否应该通过另一种分类算法，以便它可以对输入进行分类，以便这些标记的输入可以用于 LVQ？
必须清楚监督与非监督的区别，因为首先目标值是已知的。
因此，监督模型的输出是一个预测。
相反，无监督模型的输出是一个我们还不知道其含义的标签。为此，在聚类之后，有必要对每个新标签进行分析。
话虽如此，您可以使用 SOM 等无监督学习技术来标记数据集。然后，您应该分析每个 class 以确保理解每个 class 的含义。
此时，您可以选择两条不同的路径 ，具体取决于您的最终 objective：
1.使用这个新变量作为降维的一种方式
2. 使用这个带有表示 class 的附加变量的新数据集作为标记数据，您将尝试使用 LVQ
进行预测
希望这对您有用！
自组织图更适合聚类（降维）而不是分类。但是 SOM 用于线性矢量量化以进行微调。但 LVQ 是一种有监督的学习方法。因此，要在 LVQ 中使用 SOM，应为 LVQ 提供带标签的训练数据集。但由于 SOM 仅进行聚类而不进行分类，因此无法标记数据，因此如何将 SOM 用作 LVQ 的输入？
LVQ 是否对 SOM 中的簇进行微调？
在用于 LVQ 之前，SOM 是否应该通过另一种分类算法，以便它可以对输入进行分类，以便这些标记的输入可以用于 LVQ？
必须清楚监督与非监督的区别，因为首先目标值是已知的。 因此，监督模型的输出是一个预测。 相反，无监督模型的输出是一个我们还不知道其含义的标签。为此，在聚类之后，有必要对每个新标签进行分析。
话虽如此，您可以使用 SOM 等无监督学习技术来标记数据集。然后，您应该分析每个 class 以确保理解每个 class 的含义。 此时，您可以选择两条不同的路径 ，具体取决于您的最终 objective： 1.使用这个新变量作为降维的一种方式 2. 使用这个带有表示 class 的附加变量的新数据集作为标记数据，您将尝试使用 LVQ
进行预测希望这对您有用！