Impute values by replacing missing entries with the corresponding assigned prototype entries
impute(object, ...)a somRes object.
unused.
Imputed matrix as in Cottrell and Letrémy, (2005)
Cottrell M., Letrémy P. (2005) Missing values: processing with the Kohonen algorithm. Proceedings of Applied Stochastic Models and Data Analysis (ASMDA 2005), 489-496.
# Run trainSOM algorithm on the iris data with 500 iterations
set.seed(1505)
missings <- cbind(sample(1:150, 50, replace = TRUE),
sample(1:4, 50, replace = TRUE))
x.data <- as.matrix(iris[, 1:4])
x.data[missings] <- NA
iris.som <- trainSOM(x.data = x.data)
iris.som
#> Self-Organizing Map object...
#> online learning, type: numeric
#> 5 x 5 grid with square topology
#> neighbourhood type: gaussian
#> distance type: euclidean
impute(iris.som)
#> Sepal.Length Sepal.Width Petal.Length Petal.Width
#> [1,] 5.100000 3.500000 1.400000 0.2000000
#> [2,] 4.900000 3.000000 1.400000 0.2000000
#> [3,] 4.700000 3.200000 1.300000 0.2000000
#> [4,] 4.600000 3.100000 1.500000 0.2000000
#> [5,] 5.000000 3.600000 1.400000 0.2000000
#> [6,] 5.400000 3.900000 1.700000 0.4000000
#> [7,] 4.600000 3.291352 1.400000 0.3000000
#> [8,] 5.000000 3.400000 2.066971 0.5112279
#> [9,] 4.400000 2.900000 1.400000 0.2000000
#> [10,] 4.900000 3.100000 1.500000 0.1000000
#> [11,] 5.400000 3.291352 1.500000 0.2000000
#> [12,] 4.800000 3.400000 1.600000 0.2000000
#> [13,] 4.800000 3.000000 1.400000 0.1000000
#> [14,] 4.300000 3.000000 1.100000 0.1000000
#> [15,] 5.800000 4.000000 1.200000 0.2000000
#> [16,] 5.700000 4.400000 1.500000 0.4000000
#> [17,] 5.400000 3.900000 1.300000 0.4000000
#> [18,] 5.100000 3.500000 1.400000 0.3000000
#> [19,] 5.700000 3.800000 1.700000 0.3000000
#> [20,] 5.100000 3.800000 1.500000 0.3000000
#> [21,] 5.400000 3.400000 1.700000 0.2000000
#> [22,] 5.100000 3.700000 1.500000 0.5112279
#> [23,] 4.600000 3.600000 1.000000 0.5112279
#> [24,] 5.100000 3.300000 1.700000 0.5000000
#> [25,] 5.168237 3.400000 1.900000 0.2000000
#> [26,] 5.000000 3.000000 1.600000 0.2000000
#> [27,] 5.000000 3.400000 1.600000 0.4000000
#> [28,] 5.200000 3.500000 1.500000 0.2000000
#> [29,] 5.200000 3.400000 1.400000 0.2000000
#> [30,] 4.700000 3.200000 1.600000 0.2000000
#> [31,] 5.168237 3.100000 2.066971 0.2000000
#> [32,] 5.400000 3.400000 1.500000 0.4000000
#> [33,] 5.200000 3.291352 1.500000 0.1000000
#> [34,] 5.500000 4.200000 1.400000 0.2000000
#> [35,] 4.900000 3.100000 1.500000 0.2000000
#> [36,] 5.168237 3.200000 1.200000 0.2000000
#> [37,] 5.500000 3.500000 1.300000 0.2000000
#> [38,] 4.900000 3.291352 1.400000 0.1000000
#> [39,] 4.400000 3.000000 1.300000 0.2000000
#> [40,] 5.100000 3.400000 1.500000 0.2000000
#> [41,] 5.000000 3.500000 1.300000 0.3000000
#> [42,] 4.500000 2.300000 1.300000 0.3000000
#> [43,] 4.400000 3.200000 1.300000 0.2000000
#> [44,] 5.000000 3.500000 1.600000 0.6000000
#> [45,] 5.100000 3.800000 1.900000 0.4000000
#> [46,] 4.800000 3.000000 1.400000 0.3000000
#> [47,] 5.100000 3.800000 1.600000 0.5112279
#> [48,] 4.600000 3.200000 1.400000 0.2000000
#> [49,] 5.300000 3.700000 1.500000 0.2000000
#> [50,] 5.000000 3.300000 1.400000 0.2000000
#> [51,] 7.000000 3.200000 4.700000 1.8439166
#> [52,] 6.400000 3.200000 4.500000 1.5000000
#> [53,] 6.131118 3.100000 4.362574 1.5000000
#> [54,] 5.500000 2.300000 4.000000 1.3000000
#> [55,] 6.500000 3.070049 4.600000 1.5000000
#> [56,] 5.700000 2.800000 4.500000 1.3000000
#> [57,] 6.300000 3.300000 4.700000 1.6000000
#> [58,] 4.900000 2.400000 3.300000 1.3216226
#> [59,] 6.600000 2.900000 4.600000 1.3000000
#> [60,] 5.200000 2.700000 3.900000 1.4000000
#> [61,] 5.000000 2.000000 3.500000 1.0000000
#> [62,] 5.900000 3.000000 4.200000 1.5000000
#> [63,] 6.000000 2.200000 4.000000 1.0000000
#> [64,] 6.100000 2.949623 4.700000 1.4000000
#> [65,] 5.600000 2.900000 3.600000 1.3000000
#> [66,] 6.700000 3.100000 4.400000 1.4000000
#> [67,] 6.103554 3.000000 4.500000 1.5627189
#> [68,] 5.800000 2.700000 4.100000 1.0000000
#> [69,] 5.742542 2.200000 4.500000 1.5000000
#> [70,] 5.742542 2.500000 4.054982 1.1000000
#> [71,] 5.900000 3.200000 4.800000 1.8000000
#> [72,] 6.100000 2.800000 4.000000 1.3000000
#> [73,] 6.300000 2.500000 4.900000 1.5000000
#> [74,] 6.100000 2.800000 4.700000 1.2000000
#> [75,] 6.400000 2.900000 4.300000 1.6443559
#> [76,] 6.600000 3.000000 4.400000 1.4000000
#> [77,] 6.800000 2.800000 4.800000 1.8439166
#> [78,] 6.700000 3.000000 5.000000 1.7000000
#> [79,] 6.000000 2.900000 4.500000 1.5000000
#> [80,] 5.700000 2.600000 3.500000 1.0000000
#> [81,] 5.500000 2.400000 3.800000 1.1000000
#> [82,] 5.500000 2.883555 3.700000 1.0000000
#> [83,] 5.800000 2.700000 3.900000 1.2000000
#> [84,] 6.000000 2.700000 5.100000 1.6000000
#> [85,] 5.400000 2.778708 4.500000 1.5000000
#> [86,] 6.000000 3.400000 4.500000 1.6000000
#> [87,] 6.700000 3.100000 4.700000 1.5000000
#> [88,] 6.300000 2.300000 4.400000 1.4817026
#> [89,] 5.600000 3.000000 3.417475 1.3000000
#> [90,] 5.500000 2.500000 4.000000 1.3000000
#> [91,] 5.500000 2.600000 4.400000 1.2000000
#> [92,] 6.100000 3.000000 4.600000 1.4000000
#> [93,] 5.800000 2.600000 4.000000 1.2000000
#> [94,] 5.000000 2.300000 3.300000 1.0000000
#> [95,] 5.600000 2.700000 4.200000 1.3000000
#> [96,] 5.700000 3.000000 4.200000 1.2000000
#> [97,] 5.700000 2.900000 4.200000 1.3000000
#> [98,] 6.200000 2.900000 4.300000 1.3000000
#> [99,] 5.100000 3.038599 3.000000 1.1000000
#> [100,] 5.700000 2.800000 4.100000 1.3000000
#> [101,] 6.300000 3.300000 6.000000 2.5000000
#> [102,] 5.800000 2.700000 5.100000 1.9000000
#> [103,] 7.100000 3.000000 5.900000 2.1000000
#> [104,] 6.300000 2.900000 5.600000 1.8000000
#> [105,] 6.500000 3.000000 5.800000 2.2000000
#> [106,] 7.600000 3.000000 6.600000 2.1000000
#> [107,] 4.900000 2.883555 4.500000 1.1638338
#> [108,] 7.300000 2.900000 6.300000 1.8000000
#> [109,] 6.700000 2.500000 5.800000 1.8000000
#> [110,] 7.200000 3.600000 6.100000 2.5000000
#> [111,] 6.500000 3.200000 5.100000 2.0000000
#> [112,] 6.125973 2.700000 5.300000 1.6443559
#> [113,] 6.455103 3.000000 5.500000 2.1000000
#> [114,] 5.700000 2.500000 5.000000 1.3216226
#> [115,] 5.800000 2.800000 5.100000 2.4000000
#> [116,] 6.400000 3.200000 5.300000 2.3000000
#> [117,] 6.500000 3.000000 5.500000 1.8000000
#> [118,] 6.455103 3.800000 6.700000 2.2000000
#> [119,] 7.700000 2.600000 5.150084 2.3000000
#> [120,] 6.000000 2.200000 5.000000 1.5000000
#> [121,] 6.900000 3.200000 5.700000 2.3000000
#> [122,] 5.600000 2.893430 4.900000 2.0000000
#> [123,] 7.700000 2.800000 6.700000 2.0000000
#> [124,] 6.300000 2.700000 4.900000 1.8000000
#> [125,] 6.700000 3.021305 5.700000 2.1000000
#> [126,] 7.200000 3.200000 6.000000 1.8000000
#> [127,] 6.200000 2.800000 4.800000 1.8000000
#> [128,] 6.100000 3.000000 4.900000 1.8000000
#> [129,] 6.455103 2.800000 5.600000 2.1000000
#> [130,] 7.200000 3.000000 5.800000 1.6000000
#> [131,] 7.400000 2.800000 6.100000 1.9000000
#> [132,] 7.900000 3.800000 6.400000 2.0000000
#> [133,] 6.400000 2.800000 5.600000 2.2000000
#> [134,] 6.300000 2.800000 4.683201 1.5000000
#> [135,] 6.100000 2.600000 5.600000 1.4000000
#> [136,] 7.700000 3.000000 6.100000 2.3000000
#> [137,] 6.300000 3.400000 5.600000 2.4000000
#> [138,] 6.400000 3.100000 5.500000 1.8000000
#> [139,] 6.000000 3.000000 4.771238 1.8000000
#> [140,] 6.900000 3.100000 5.400000 2.1000000
#> [141,] 6.455103 3.100000 5.600000 2.4000000
#> [142,] 6.900000 3.100000 5.100000 2.3000000
#> [143,] 5.800000 2.700000 5.100000 1.9000000
#> [144,] 6.800000 3.200000 5.150084 2.3000000
#> [145,] 6.700000 3.300000 5.700000 2.5000000
#> [146,] 6.700000 3.000000 5.150084 2.3000000
#> [147,] 6.300000 2.500000 5.000000 1.4817026
#> [148,] 6.500000 3.000000 5.200000 2.0000000
#> [149,] 6.200000 3.400000 5.005328 2.3000000
#> [150,] 5.900000 3.000000 4.400976 1.8000000