自组织地图与 k-means答案

【问题标题】：Self Organizing maps Vs k-means自组织地图与 k-means
【发布时间】：2011-09-29 19:40:34
【问题描述】：

有谁知道自组织地图 (SOM) 与 k-means 相比有多好？我相信通常在颜色空间中，例如 RGB，SOM 是一种更好的将颜色聚集在一起的方法，因为视觉上不同颜色之间的颜色空间存在重叠 (http://www.ai-junkie.com/ann/som/som1.html)。是否存在 k-means 优于 SOM 的情况？

谢谢！

【问题讨论】：

标签： k-means self-organizing-maps

【解决方案1】：

我相信，K-means 是 SOM 的一种专业化。我敢肯定，您可以为它构建理想的案例。我认为计算速度是它的主要优势——当你逐步改进 AI 算法时，有时更差的算法的更多迭代比更好、更慢的算法的更少迭代提供更好的性能。

这一切都取决于数据。你永远不会知道，直到你运行它。

【讨论】：

【解决方案2】：

K-means 是自组织图 (SOM) 的一个子集。 K-means 严格来说是 n 空间邻居的平均 n 维向量。 SOM 类似，但想法是使候选向量更接近匹配向量，并通过扰动它们来增加与周围向量的差异；扰动随距离减小（内核宽度）；这就是名称的自组织部分的来源。

【讨论】：

这听起来不对。我认为 SOM 是 K-means 的限制性更强的版本（而不是相反）。

【解决方案3】：

自组织地图创建二维输出。 k-means 是多维的。 SOM 以离散表示（网格）运行。 SOM 使用更本地化的规则（邻域函数）。 k-means 被更广泛地用作聚类算法。

【讨论】：

SOM 不一定会创建 2D 输出。大多数实现都可以，但也存在具有 3D 晶格的 SOM。 SOM通常将高维码本向量映射到低维点阵中的低维向量上，这绝不限于2D、3D等。