Opetuksesa voidaan osa datavektorien komponenteista jättää pois
etäisyyden laskennasta, ja käyttää näitä komponentteja vain
mallivektorin päivitysaskeleen laskennassa (esim. [21]):
Merkitään koko vektoria :llä. Erotetaan pois maskatut komponentit
vektoriksi
ja normaalit komponentit vektoriksi
.Siis
, jossa
merkitsee konkatenaatiota. Nyt voittajayksikön määritelmä on
![]() |
(14) |
mutta opetusaskel edelleen
![]() |
(15) |
Approksimointi voitaisiin tehdä tietysti myös opettamalla kartta
normaalisti datavektoreilla ja laskemalla
:t
jälkikäteen keskiarvona kuhunkin yksikköön sattuneita
:ja
vastaavista
:n arvoista. Kaavojen 2.14 ja
2.15 kuvaamalla menettelyllä on kuitenkin etunaan
naapurustofunktion
:n arvon laskentaan tuoma lisäinformaatio.
Toisaalta, jos kartta opetettaisiin normaalisti vektoreilla
, voitaisiin jälkikäteen laskettuja
:n keskiarvoja
lopuksi tasoittaa naapurustofunktion tapaisella
kernelillä. Tutkimastani kirjallisuudesta ei ilmene, eroaako kaavojen
2.14 ja 2.15 kuvaama menettely tästä olennaisesti;
komponentteja pois maskaamalla saatu tulos on kuitenkin
yhteismitallinen kartan opetusrutiinin kanssa, ja siten
intuitiivisesti varsin houkutteleva menettely. Komponentteja pois
maskaamalla tehtyä funktion approksimointia on käytetty
mm. luokittelussa
[21].
Komponentteja voidaan painottaa myös muilla arvoilla kuin nollalla ja ykkösellä, jolloin osa komponenteista vaikuttaa järjestymiseen voimakkaammin ja osa heikommin.