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.