聚類演算法可以簡化為一個找聚類中心的問題，比如k-means，而對於輸入向量空間，找他的聚類中心，可以用統計學的方法，比如GMM，也可以用向量量化的方法。

自組織對映，可以理解為一種向量量化網路，相當於我們的選人大代表，一類相近的人可以選一個代表，SOM就是這樣的思想，有了這些代表，聚類問題就變成了分類問題，剩下的便是讓這些輸入向量站隊了。呵呵

還是打個比方，現在怎麼選人大代表呢？如圖：

你可以想象這是一塊操場空地，為了方便演示，黑點代表群眾，空圈就是人大代表，乍一看這些圈圈離群眾都好遠，怎麼行呢，人大代表當然要深入群眾了，這樣才能代表群眾，現在的問題是怎麼樣讓這些圈圈走到群眾中去？

現在進行一個策略，每次讓一個群眾在原地大喊：“代表向我靠攏！”，這樣圖上四個代表就根據聲音的方向，向這個群眾移動，這裡有個問題，到底是四個“人大代表”都向這個群眾移動呢，還是隻有少數幾個“人大代表”移動，我們可以認為聲音傳播越遠越弱，距離那位群眾越遠的人大代表聽的聲音越弱，甚至聽不見，“代表”聽到的聲音越強，移動的距離越長，反之移動越短，甚至不移動；

根據以上的策略，如下圖，我們可以看到當所有的群眾都喊了若干次後，四個人大代表都站到群眾中間去了，這些代表就是各自的聚類中心；

自組織對映，就是這個原理，上面的黑圈圈就是所謂的神經元，即權值矩陣，我們通過最後收斂的權值矩陣來完成分類；但是你可能會困惑，說了這麼多，跟對映有什麼關係呢，其實這個對映就是資料空間到神經元的對映，神經元分佈密集的地方說明那裡的資料分佈也很密集！就像上面如果某個區域人稀疏的話，代表也沒法去嘛，因為沒人叫他去啊！

當資料很大的時候，我們沒法一次性處理，我們可以將資料分塊，比如分成4塊，分別進行SOM聚類，這裡假設每塊分5類，然後就有4*5=20個模式向量，對於總的塊來說就是有20類，然後用他們的模式向量進行一次層次聚類，就能對整個資料進行聚類了；

神經網路用相對很簡單的策略來實現有些很複雜的問題，並且效果都還不錯。關於上面som的實現，要搜尋最近的向量，如果搜尋整個輸入空間是很費時的事情，這裡又要提到kd樹了，有興趣的可以看看；

任何一種基於大資料的演算法，首先要考慮的就是效率，可行性。