执行SOM聚类的代码

SOM (Self-Organizing Map) 聚类是一种无监督机器学习算法，用于将数据映射到二维网格上，每个节点（称为 Kohonen 神经元）代表一个特征向量空间中的区域。以下是一个简单的Python示例，使用Keras库（虽然Keras本身并不直接支持SOM，但你可以使用外部库如`minisom`）来执行SOM聚类：

from minisom import MiniSom

# 假设我们有样本数据 X 和对应的标签 y
X = ... # 输入数据，通常是numpy数组
y = ... # 标签，这里不需要，因为是无监督学习

# 初始化SOM
input_dim = X.shape[1]  # 特征维度
map_size = (5, 5)  # SOM的网格大小，例如5x5
som = MiniSom(*map_size, input_dim, sigma=1.0, learning_rate=0.5)

# 训练SOM
som.train_random(X, n_iter=1000)  # 这里n_iter是迭代次数

# 应用SOM到新的数据点
new_data = ... # 新的数据集，同样形状的numpy数组
dissimilarity_map = som.distance_map(new_data)
cluster_indices = som.win_map(new_data).argmax(axis=-1)  # 获取每个新数据点的最近邻索引

# 显示结果或者进一步分析

在这个例子中，`train_random()`函数对输入数据进行随机初始化并训练SOM模型，然后`distance_map()`和`win_map()`分别计算新数据点与SOM节点的距离和所属的临近节点。`argmax()`函数返回最接近的节点编号，这就是每个新数据点的聚类标签。