{"id":205648,"date":"2026-01-28T12:04:37","date_gmt":"2026-01-28T11:04:37","guid":{"rendered":"https:\/\/liora.io\/de\/?p=205648"},"modified":"2026-02-06T04:45:48","modified_gmt":"2026-02-06T03:45:48","slug":"self-organizing-maps-was-ist-das","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/self-organizing-maps-was-ist-das","title":{"rendered":"Was sind Self-Organizing Maps (SOM)? Funktionsweise & Einsatzgebiete"},"content":{"rendered":"Self-Organizing Maps, oder SOM, sind eine Art von k\u00fcnstlichen neuronalen Netzen (ANN), die f\u00fcr das un\u00fcberwachte Lernen genutzt werden. Sie erm\u00f6glichen die Reduzierung der Daten-Dimensionalit\u00e4t, w\u00e4hrend ihre topologische Struktur erhalten bleibt, und sind somit ein m\u00e4chtiges Werkzeug f\u00fcr das Clustering und die Datenexploration.<\/b>\n\nIm Gegensatz zu klassischen neuronalen Netzen arbeiten Self-Organizing Maps mit kompetitivem Lernen<\/b> statt mit Fehlerkorrektur und integrieren eine Nachbarschaftsfunktion, um die r\u00e4umlichen Beziehungen der Daten<\/b> zu bewahren.\n\n\nEinf\u00fchrung: K\u00fcnstliche neuronale Netzwerke\n<\/a>

Ursprung der SOM<\/font><\/h2>\nDie Self-Organizing Maps wurden in den 1980er Jahren von dem finnischen Forscher Teuvo Kohonen<\/b> eingef\u00fchrt. Daher werden sie auch als Kohonen-Karten<\/b> oder Kohonen Maps<\/b> bezeichnet.\n\nInspiriert von den biologischen Mechanismen des Gehirns, ahmen sie die Art und Weise nach, wie Neuronen Informationen organisieren und klassifizieren, um bedeutungsvolle Strukturen zu bilden.\n

Funktionsweise der SOM<\/font><\/h2>\nDas Lernen eines Self-Organizing Maps basiert auf einem mehrstufigen Prozess, der es erm\u00f6glicht, komplexe Daten in eine organisierte und lesbare Darstellung<\/b> zu transformieren. Hier ist eine typische Funktionsweise, detailliert Schritt f\u00fcr Schritt, eines SOM beschrieben.\n

1. Initialisierung der Gewichte<\/h3>\nBevor das Training beginnt, ist jedem Neuron der Karte ein Gewichtungsvektor zugeordnet, der zuf\u00e4llig initialisiert wird. Dieser Vektor hat die gleiche Dimension wie die Eingabedaten<\/b> und repr\u00e4sentiert die Identit\u00e4t jedes Neurons, bevor es durch das Lernen angepasst wird.\n

2. Auswahl eines Eingabe-Beispiels<\/h3>\nIn jeder Iteration wird ein Eingabevektor zuf\u00e4llig aus dem Trainings-Dataset<\/a> ausgew\u00e4hlt. Dieser Vektor repr\u00e4sentiert einen Datenpunkt<\/b>, den das SOM auf der Karte organisieren lernen muss.\n

3. Identifizierung der Best Matching Unit<\/h3>\nSobald das Beispiel ausgew\u00e4hlt wurde, sucht der Algorithmus das Neuron, dessen Gewichte diesem Eingabevektor am n\u00e4chsten kommen. Diese N\u00e4he wird mittels der euklidischen Distanz oder euklidischen Norm<\/b> zwischen dem Eingabevektor und den Neuronen gemessen. Das n\u00e4chstgelegene Neuron wird als BMU (Best Matching Unit)<\/b>\"\"\n\n
Neural vs. Neuronal<\/a><\/div><\/div>\n\n

4. Aktualisierung der Gewichte des BMU und seiner Nachbarn<\/h3>\nNachdem das BMU gefunden wurde, passt der Algorithmus dessen Gewichte an, um sie an den Eingabevektor anzun\u00e4hern. Auch seine benachbarten Neuronen werden, wenn auch in geringerem Ma\u00dfe, aktualisiert.\n\nDas Ausma\u00df dieser Aktualisierung h\u00e4ngt von zwei Hauptfaktoren ab:\n