Kohonen Self Organize Maps

    Kohonen Self Organize Maps(SOM) 是其中一种神经网络的方法，用于聚类分析，它通过自相竞争(Self-competition)的方式实现聚类过程，对于每个维度赋予权重，通过多次迭代，最终达到收敛。SOM能够自动确定K值，因此不需要像K-means一样事先确定K。一般来说，SOM对维度高的数据集表现更好。

    SOM映射高纬度的数据集到低纬度空间中，因此可以用于降低维度。

    SOM实现步骤如下：

1.设立神经元网格和初始参数

2.选择随机的input

3.神经元之间进行竞争

4.调整input以及权重

5.重复上述步骤直至达到收敛

优点：

1.可以在一开始通过调整参数优化学习速度

2.不需要事先确定K值

3.可以降低维度

缺点：对初始参数比较敏感，初始参数的好坏直接影响收敛速度

    上图是SOM收敛过程的简单示意图，红色点为输入数据，绿色和蓝色正方形是两个神经元，通过不断迭代计算，两个神经元竞争得到数据点，最后达到收敛，从而实现分类。也有可能有一些神经元连一个数据点都竞争不到(图中没有显示，可以想象成图中有另外其他颜色的正方形神经元，但是并没有点向其靠拢)。