Oʻzbekiston respublikasi oliy va o‘rta maxsus ta’lim vazirligi

import math
 
class SOM:
 
# Function here computes the winning vector
# by Euclidean distance
def winner(self, weights, sample):
 
D0 = 0
D1 = 0
 
for i in range(len(sample)):
 
D0 = D0 + math.pow((sample[i] - weights[0][i]), 2)
D1 = D1 + math.pow((sample[i] - weights[1][i]), 2)
 
if D0 > D1:
return 0
else:
return 1
# Function here updates the winning vector
def update(self, weights, sample, J, alpha):
 
for i in range(len(weights)):
weights[J][i] = weights[J][i] + alpha * (sample[i] - weights[J][i])
 
return weights
 
# Driver code
 
 
def main():
 
# Training Examples ( m, n )
T = [[1, 1, 0, 0], [0, 0, 0, 1], [1, 0, 0, 0], [0, 0, 1, 1]]
 
m, n = len(T), len(T[0])
 
# weight initialization ( n, C )
weights = [[0.2, 0.6, 0.5, 0.9], [0.8, 0.4, 0.7, 0.3]]
 
# training
ob = SOM()
 
epochs = 3
alpha = 0.5
 
for i in range(epochs):
for j in range(m):
# training sample
sample = T[j]
 
# Compute winner vector
J = ob.winner(weights, sample)
 
# Update winning vector
weights = ob.update(weights, sample, J, alpha)
 
# classify test sample
s = [0, 0, 0, 1]
J = ob.winner(weights, s)
 
print("Test Sample s belongs to Cluster : ", J)
print("Trained weights : ", weights)
 
 
if __name__ == "__main__":
main()


Natija: Sinov namunasi s Klasterga tegishli: 0 Oʻqitilgan vaznlar : [[0.6000000000000001, 0.8, 0.5, 0.9], [0.3333984375, 0.0666015625, 0.7, 0.]0.

SOMni bioinformatikaga qo'llash

SOM bioinformatika sohasida keng qo'llanilgan. Misol uchun, SOM hizalangan ketma-ketliklar orasidagi mahalliy filogenetik munosabatlarni tavsiflash uchun yashirin Markov modeli bilan birgalikda ishlatilgan ( Zamani va boshq., 2013 ), bu erda genomning ~ 3% ning katta qismi tug'ma bilan bog'liqligi aniqlangan. va moslashuvchan immun tizimlari. SOM, shuningdek, genlarning gen ifodasi ma'lumotlaridan foydalangan holda namunalar bilan qanday bog'liqligini tahlil qilish uchun ham ishlatilgan ( Dinger va boshq., 2012 ). SOMning ba'zi boshqa ilovalari orasida dori / dori bo'lmagan tasnifi ( Pehlivanli va boshq., 2008 ) va cho'kindi toksikligi bioassay tasnifi ( Coz va boshq., 2008 ) kiradi.


XULOSA
SOMdan foydalanishning asosiy afzalligi shundaki, ma'lumotlar oson talqin qilinadi va tushuniladi. O'lchovlilikning qisqarishi va panjara klasteri ma'lumotlardagi o'xshashliklarni kuzatishni osonlashtiradi. SOMlar ushbu klasterlarni yaratish uchun kirishdagi barcha ma'lumotlarga ta'sir qiladi va ma'lum ma'lumotlar qismlari kirish joyiga ko'proq/kamroq ta'sir qiladigan tarzda o'zgartirilishi mumkin. Umuman olganda, SOMlarning ko'p qirraliligi va moslashuvchanligi ularni keng doiradagi ilovalar uchun qimmatli vositaga aylantiradi. Ma'lumotlar hayotimizda tobora muhim rol o'ynashda davom etar ekan, SOMlar murakkab ma'lumotlar to'plamlarini tahlil qilish, tartibga solish va tushunish uchun yanada qimmatli bo'ladi
FOYDALANILGAN ADABIYOTLAR
1.google
2.wekipidiya.com