SOM分析，全稱自組織映射分析（Self-Organizing Map, SOM），是一種無監督學習算法，主要用於數據降維、聚類和可視化。SOM的核心思想是將高維輸入空間映射到低維拓撲結構中，通常是一個二維格線，同時保持輸入數據的拓撲關係。在神經網路術語中，每個神經元對應於一個中心點，SOM通過找到一組中心點，並根據最相似原則將數據集中的每個對象映射到對應的中心點。與K-means等聚類算法相似，SOM也更新中心點，但SOM中的中心點之間存在拓撲形狀順序，在更新一個中心點的同時，鄰近的中心點也會隨之更新。SOM的主要目標是實現拓撲映射，使得相似的輸入數據映射到鄰近的神經元上，這種映射有助於進行數據聚類和可視化。
SOM的關鍵組成部分包括：
輸入層：包含原始數據的特徵向量。
網路結構：通常是一個二維格線，每個神經元代表一個權重向量。
距離度量：通常使用歐氏距離來衡量輸入向量和權重向量之間的相似性。
學習規則：SOM使用競爭性學習，根據輸入數據和神經元之間的距離來更新權重。
SOM的特點和優勢包括：
能夠保持數據點的拓撲關係，即相似的輸入數據映射到鄰近的神經元上。
強調簇中心點之間的鄰近關係，相鄰的簇之間相關性更強，有利於結果的解釋。
適用於可視化網路數據或基因表達數據等高維數據集。
SOM的分析過程通常包括定義SOM映射圖的規模、隨機初始化所有權重向量、從訓練數據中選擇數據點、找到最佳匹配單位（BMU）、調整BMU鄰域節點的權重等步驟。