Mapas Autoorganizados

Los mapas autoorganizados (Self-Organizing Maps o SOM) son un tipo de red neuronal artificial de aprendizaje no supervisado ideada por el finlandés Teuvo Kohonen. Su formulación aparece en el artículo «Self-Organized Formation of Topologically Correct Feature Maps» (Biological Cybernetics, 1982) y se consolida en su monografía «Self-Organizing Maps» (Springer, 1995). La idea central es proyectar datos de muchas dimensiones sobre una rejilla de pocas dimensiones —casi siempre bidimensional— para poder mirarlos.

Lo que hace singular a un SOM no es que reduzca dimensiones, sino qué conserva al hacerlo: la topología aproximada de los datos. Dicho de otro modo, muestras parecidas en el espacio original tienden a activar neuronas cercanas en el mapa, de modo que la vecindad —la noción de «cerca» y «lejos»— sobrevive de forma aproximada al viaje hasta las dos dimensiones.

Qué preservan y cómo se entrenan

Cada neurona de la rejilla lleva asociado un vector de pesos de la misma dimensión que los datos de entrada. El entrenamiento es competitivo: para cada muestra se busca la neurona cuyo vector más se le parece —la neurona ganadora o best matching unit (BMU), medida habitualmente con distancia euclídea—. Después se actualiza no solo esa ganadora, sino también su vecindad en la rejilla, ponderada por una función de vecindad (típicamente gaussiana) que decae con la distancia. A lo largo de las iteraciones, tanto la tasa de aprendizaje como el radio de vecindad se reducen, y el mapa pasa de un ordenamiento grueso a un ajuste fino. De esa doble actualización —ganadora más vecinos— nace la preservación topológica: neuronas contiguas terminan respondiendo a estímulos parecidos.

Para qué sirven

El SOM es sobre todo una herramienta de visualización y exploración. Al plegar datos complejos sobre una superficie navegable, permite intuir agrupaciones, gradientes y regiones vacías que en el espacio original serían invisibles. Por eso se ha empleado como agrupamiento exploratorio: no impone un número de grupos de antemano, sino que deja que el mapa sugiera dónde hay estructura. Conviene entenderlo como un primer reconocimiento del terreno, no como un veredicto de clasificación.

Límites frente a t-SNE, UMAP y el clustering moderno

Los SOM cargan con restricciones que hoy pesan. La rejilla y su tamaño se fijan a priori: elegir mal las dimensiones del mapa condiciona el resultado, y una rejilla pequeña sobre datos ricos obliga a una misma neurona a representar patrones distintos. Además, la preservación topológica es imperfecta: solo es buena cuando la forma de la rejilla encaja con la estructura real de los datos. Por eso, para visualizar hoy suelen preferirse t-SNE (van der Maaten y Hinton, 2008) y UMAP (McInnes, Healy y Melville, 2018), que separan los grupos con más nitidez; y para agrupar de verdad se recurre a métodos de clustering dedicados. Lo no resuelto: no hay un veredicto único. El SOM mantiene un marco paramétrico y una rejilla fija y reutilizable que t-SNE y UMAP no ofrecen, mientras estos suelen ganar en nitidez visual local. La elección depende del objetivo, no de una jerarquía cerrada.