{"id":180053,"date":"2026-01-28T12:04:32","date_gmt":"2026-01-28T11:04:32","guid":{"rendered":"https:\/\/liora.io\/es\/?p=180053"},"modified":"2026-08-24T19:20:14","modified_gmt":"2026-08-24T18:20:14","slug":"self-organizing-maps-que-son","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/self-organizing-maps-que-son","title":{"rendered":"Self-Organizing Maps (SOM): \u00bfQu\u00e9 son? \u00bfC\u00f3mo utilizarlos?"},"content":{"rendered":"\n

Los Self-Organizing Maps, o SOM, son un tipo de red de neuronas artificiales (ANN) utilizados para el aprendizaje no supervisado. Permiten reducir la dimensionalidad de los datos mientras se preserva su estructura topol\u00f3gica, ofreciendo as\u00ed una poderosa herramienta para el clustering y la exploraci\u00f3n de datos.<\/strong><\/p>\n\n\n

A diferencia de las redes de neuronas cl\u00e1sicas, los self-organizing maps funcionan por aprendizaje competitivo<\/strong> en lugar de por correcci\u00f3n de errores e integran una funci\u00f3n de vecindad para mantener las relaciones espaciales de los datos<\/strong>.<\/p>\n\n\n

Profundizar en SOM<\/a><\/div><\/div>\n\n\n

Origen de los SOM<\/h2>\n\n\n

Los self-organizing maps fueron introducidos en los a\u00f1os 1980 por el investigador finland\u00e9s Teuvo Kohonen<\/strong>. Por eso tambi\u00e9n se les llama mapas de Kohonen o Kohonen maps<\/strong>.<\/p>\n\n\n

Inspirados en los mecanismos biol\u00f3gicos del cerebro, imitan la manera en que las neuronas organizan y clasifican la informaci\u00f3n para formar estructuras significativas.<\/p>\n\n\n

Funcionamiento de los SOM<\/h2>\n\n\n

El aprendizaje de un Self-Organizing Map se basa en un proceso de varios pasos, que le permite transformar datos complejos en una representaci\u00f3n organizada y legible<\/strong>. Aqu\u00ed se detalla un funcionamiento t\u00edpico, paso a paso, de un SOM.<\/p>\n\n\n

1. Inicializaci\u00f3n de los pesos<\/h3>\n\n\n

Antes de comenzar el entrenamiento, cada neurona del mapa est\u00e1 asociada a un vector de pesos, inicializado de manera aleatoria. Este vector tiene la misma dimensi\u00f3n que los datos de entrada<\/strong> y representa la identidad de cada neurona antes de que sea ajustada por el aprendizaje.<\/p>\n\n\n

2. Selecci\u00f3n de una muestra de entrada<\/h3>\n\n\n

En cada iteraci\u00f3n, un vector de entrada es seleccionado aleatoriamente del conjunto de datos de entrenamiento<\/a>. Este vector representa un punto de datos<\/strong> que el SOM debe aprender a organizar en el mapa.<\/p>\n\n\n

3. Identificaci\u00f3n del Best Matching Unit<\/h3>\n\n\n

Una vez elegida la muestra, el algoritmo busca la neurona cuyos pesos est\u00e1n m\u00e1s cerca de este vector de entrada. Esta proximidad se mide utilizando la distancia euclidiana o norma euclidiana<\/strong> entre el vector de entrada y las neuronas. La neurona m\u00e1s cercana se identifica como el BMU (Best Matching Unit)<\/strong><\/p>\n\n\n

\"Ilustraci\u00f3n<\/figure>\n\n\n

4. Actualizaci\u00f3n de los pesos del BMU y de sus vecinos<\/h3>\n\n\n

Despu\u00e9s de encontrar el BMU, el algoritmo ajusta sus pesos para acercarlos al vector de entrada. Sus neuronas vecinas tambi\u00e9n son actualizadas, pero en menor medida.<\/p>\n\n\n

La magnitud de esta actualizaci\u00f3n depende de dos factores principales:<\/p>\n\n\n