自己組織化マップ（SOM）とは、高次元のデータを人間の目で認識しやすい低次元（通常は2次元）の空間に圧縮・可視化するための教師なし学習アルゴリズムです。データの類似性を保ちながらマッピングできる点が特徴です。
自己組織化マップとは
一言でいうと、複雑で多次元的なデータを、位置関係を維持したまま2次元の地図のように整理して表示する機械学習の手法です。
詳しく解説
自己組織化マップは、生物の脳の神経回路が刺激に応じて自己組織的に特化していく現象を模して開発されました。ニューラルネットワークの一種ですが、誤差逆伝播法のような教師あり学習とは異なり、入力データの確率的な分布を自動的に学習する教師なし学習を行います。高次元空間にあるデータ間の距離や類似度を計算し、最終的に2次元の格子状のノードに配置することで、データの全体像やクラスタ構造を視覚的に把握できるようにします。
具体例・使われ方
顧客の購買履歴やライフスタイルなど多数の項目を持つ顧客データを自己組織化マップにかけることで、似た特徴を持つ顧客層が同じエリアに集約された2次元マップを作成できます。これにより、顧客セグメンテーションやマーケティング戦略の立案に役立てられます。
似た用語との違い
主成分分析（PCA）も次元削減の手法としてよく用いられますが、主成分分析がデータの分散を最大化する線形な軸を見つけるのに対し、自己組織化マップは非線形な関係性を持つ複雑なデータの構造も保持してマッピングできるという違いがあります。
注意点
格子上のノードの数や初期配置、学習率などのハイパーパラメータの設定によって結果が大きく変動する点に注意が必要です。また、あくまで可視化や傾向把握を目的とした手法であり、厳密な予測や数値計算には不向きです。
この解説は役に立ちましたか？誤りが含まれる場合はご報告いただけますと幸いです。
更新日時: 2026年9月23日 04:15