Самоорганизующиеся карты против К-средних

Question

Кто-нибудь знает, насколько хорошо самоорганизующиеся карты (SOM) сравниваются с k-means?Я полагаю, что обычно в цветовом пространстве, таком как RGB, SOM - лучший метод для объединения цветов, так как существует цветовое пространство между визуально разными цветами (http://www.ai -junkie.com / ann / som / som1.html ).Есть ли случаи, когда k-means превосходит SOM?

Спасибо!

Answer 1

K-means - это специализация СОМ, я считаю.Вы можете построить идеальные случаи для этого, я уверен.Я думаю, что скорость вычислений является ее главным преимуществом - когда вы постепенно улучшаете алгоритмы ИИ, иногда большее количество итераций худшего алгоритма дает лучшую производительность, чем меньшее количество итераций лучшего алгоритма.

Все зависит от данных,Вы никогда не узнаете, пока не запустите его.

Answer 2

K-means - это подмножество самоорганизующихся карт (SOM).K-means - строго средний n-мерный вектор соседей по n-пространству.SOM похож, но идея состоит в том, чтобы сделать вектор-кандидат ближе к соответствующему вектору и увеличить разницу с окружающими векторами, возмущая их;возмущение уменьшается (ширина ядра) с расстоянием;отсюда самоорганизующаяся часть имени.

Answer 3

Самоорганизующиеся карты создают двумерный вывод. К-значит многомерно. СДЛ работают в дискретном представлении (сетке). СДЛ используют более локальное правило (функция соседства). k-means более широко используется в качестве алгоритма кластеризации.