迭代次数对自组织映射(SOM)收敛性的影响及rlen参数疑问

核心原因：学习率与邻域半径的衰减绑定rlen比例，而非绝对迭代次数 #

kohonen包的SOM实现中，学习率和邻域半径的衰减过程是基于总迭代次数（rlen）的比例来推进的，而不是固定的绝对迭代次数，这直接导致了你观察到的收敛点随rlen成比例变化的现象：

• 默认衰减机制：默认情况下，学习率从0.05线性衰减到0.01，邻域半径从网格的最大拓扑距离（比如2x2网格的直径是√2）线性衰减到1。这个衰减的进度完全由当前迭代次数占rlen的比例决定，而非绝对次数。

  • 当rlen=300时，迭代到200次（占总次数的2/3），学习率已经接近0.01，邻域半径也缩小到接近1，此时网络的权重调整幅度变得极小，平均距离自然趋于平稳。
  • 当rlen=1000时，同样的衰减进度要到600次（2/3比例）才能达到相同的学习率和邻域半径状态，所以收敛点也随之延后。

• 设计逻辑的合理性：这种比例式衰减是为了保证无论总迭代次数多少，SOM都能完成“粗拓扑调整-精细权重优化”的完整训练流程：

  1. 前期（前1/3左右的rlen）：高学习率+大邻域，快速让神经元映射到数据的大致拓扑结构。
  2. 中后期（后2/3左右的rlen）：低学习率+小邻域，精细调整神经元位置，避免过拟合或拓扑扭曲。
     如果固定衰减的绝对次数，当rlen远大于该次数时，后续迭代基本无调整，浪费计算；当rlen小于该次数时，训练还没完成精细调整就停止，模型效果会受影响。

如何固定收敛的绝对迭代次数 #

如果你希望收敛点固定在某个绝对迭代次数（比如200次），可以手动自定义学习率和邻域半径的衰减向量，脱离rlen的比例绑定：

# 先计算网格的最大邻域半径（以5x5六边形网格为例）
max_radius <- somgrid(5,5,"hexagonal")$max.dist

# 自定义学习率：前200次从0.05降到0.01，之后保持0.01
alpha_vec <- c(seq(0.05, 0.01, length.out = 200), rep(0.01, 800))
# 自定义邻域半径：前200次从最大半径降到1，之后保持1
radius_vec <- c(seq(max_radius, 1, length.out = 200), rep(1, 800))

# 训练SOM时传入自定义参数
som_model <- som(wines, grid = somgrid(5,5,"hexagonal"), 
                 rlen = 1000, alpha = alpha_vec, radius = radius_vec)

这样不管rlen设为300还是1000，网络都会在200次迭代后进入精细调整阶段，平均距离也会在200次左右趋于平稳。

内容的提问来源于stack exchange，提问作者Riley381