[Pattern Recognition] Self-organization maps (SOM) 自组织映射算法
简介
SOM算法，是硕士课程《模式识别》中，”聚类“章节中，一个知识点。
鉴于我们的教材写的稀烂，中文博客的内容基本上就是抄来抄去，难得有个原创的，专业术语乱飞，不是人类的语言，根本看不懂。
因此，在之后的内容，我会用非常不严谨的方式，去描述一下这个算法，到底在作什么妖。
另外，这些链接可能也对你理解有帮助：
很灵性人大的示例：https://blog.csdn.net/wangxin110000/article/details/22150557
公式写的很简洁，并且有代码可以参考：https://zhen8838.github.io/2018/11/07/som/
解释
SOM在搞什么？
自组织映射算法，这个译名看起来高大上，白话的意思是：我们自己动-找对应关系-算法。
类似：一个老师分出了四波学生和四个学生代表，让他们自己想主意（自组织），最终能让一个代表管一波学生（对应关系）。
怎么搞？
输入：n个d维的向量。
n代表数量，比如学生数量。
d维代表特征，指的是单一学生的性质，性别，身高，体重之类的。
输出：m个圈圈（神经），或者排成一个阵，或者是一列。
我们一般搜索到的神经元结构图，下层的那些小圆点，都代表一个数据的不同特征。
上层的神经元圈圈，是输出。
在这个算法中，重要的是中间的连线！
这个是常见的图1，输出是一个阵
这是常见的图2，输出是一个一维串
一次输入d维，每一个输出点，都藏着独有的d个权重，只要 输入 和 权重 结合，那么就能得到输出点。
这个算法核心是，我拿来一个输入（d个特征），去试着匹配每个输出的权重（d个权重/输出），用欧几里得距离。如果逮着了个最近的权重，那么我去更新这个权重，让它朝着此刻的输入点方向靠近。
和k聚类不同的是，一个靠近权重，一个靠近输出点。
SOM就好像是，每个人轮流去拿一把武器，如果A觉得武器1最趁手，那么武器1的形状就会向着A的手性改变，而B觉得武器1也挺好，那么武器1也会朝着B的手型改，但是C觉得武器1的手感就是shit，所以武器1不会去匹配C的手型。到最后，武器1就能够大体概括A和B这两个人的手型，他俩人就属于同一个类型了。
