Komponenttien painotus (maskaus)

Opetuksesa voidaan osa datavektorien komponenteista jättää pois etäisyyden laskennasta, ja käyttää näitä komponentteja vain mallivektorin päivitysaskeleen laskennassa (esim. [21]): Merkitään koko vektoria $\bf x$:llä. Erotetaan pois maskatut komponentit vektoriksi $\bf y$ ja normaalit komponentit vektoriksi $\hat{\bf x}$.Siis ${\bf x}=<{\bf \hat{x}},{\bf y}\gt$, jossa $<\cdot,\cdot\gt$merkitsee konkatenaatiota. Nyt voittajayksikön määritelmä on

 

$$\Vert {\bf x}-{\bf m}_c\Vert = \min _{i} \{\Vert {\bf \hat{x}}-{\bf \hat{m}}_i\Vert\}$$ (14)

mutta opetusaskel edelleen

 

$${\bf{m}}_{i}(t+1)={\bf{m}}_{i}(t)+h_{ci}(t)[{\bf{x}}(t)-{\bf{m}}_i(t)]$$ (15)

Approksimointi voitaisiin tehdä tietysti myös opettamalla kartta normaalisti datavektoreilla ${\bf \hat{x}}$ ja laskemalla $\bf y$:t jälkikäteen keskiarvona kuhunkin yksikköön sattuneita ${\bf \hat{x}}$:ja vastaavista $\bf y$:n arvoista. Kaavojen 2.14 ja 2.15 kuvaamalla menettelyllä on kuitenkin etunaan naapurustofunktion $\bf y$:n arvon laskentaan tuoma lisäinformaatio. Toisaalta, jos kartta opetettaisiin normaalisti vektoreilla ${\bf \hat{x}}$, voitaisiin jälkikäteen laskettuja $\bf y$: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.