（为什么）Kohonen风格的SOM失宠了？

据我所知，Kohonen风格的SOM早在2005年就达到了顶峰，最近并未受到太大的欢迎。我还没有发现任何文章说SOM被另一种方法包含，或被证明等同于其他方法（无论如何，在更大的维度上）。但是，看起来tSNE和其他方法如今越来越多了，例如在Wikipedia或SciKit Learn中，SOM被更多地称为历史方法。

（实际上，维基百科的文章似乎表明SOM仍比竞争对手具有某些优势，但它也是列表中最短的条目。编辑：Per gung的要求，我正在考虑的文章之一是：非线性降维请注意，与其他方法相比，SOM的文字更少。我找不到找到提到SOM似乎比大多数其他方法都具有优势的文章。）

有什么见解吗？有人问为什么不使用SOM，并在不久前得到了参考，我从SOM会议中找到了议事日程，但我想知道SVM或tSNE等的兴起是否使SOM在流行机器学习中黯然失色。

编辑2：纯属巧合，我今天晚上只读了2008年关于非线性降维的调查，仅举例说明了：Isomap（2000），局部线性嵌入（LLE）（2000），Hessian LLE（2003），Laplacian本征图（2003）和半定嵌入（SDE）（2004）。

我认为您注意到了机器学习目前所吹捧的降维“最佳”算法的影响。尽管t-SNE在诸如Merck Viz Challenge之类的竞赛中显示了其功效，但我个人还是成功地将SOM应用于特征提取和二进制分类。尽管除了算法的使用期限外，当然还有一些人无缘无故地驳回SOM（请查看此讨论，但在过去几年中，也有许多文章发表了实现SOM并取得积极成果的文章（请参阅Mortazavi等人， 2013 ; Frenkel等人，2013例如）。Google Scholar搜索将显示SOM在许多应用程序域中仍在使用。但是，通常来说，针对特定任务的最佳算法就是针对特定任务的最佳算法。在随机森林可能对某个特定的二进制分类任务运行良好的情况下，它可能会在另一个森林上表现糟糕。聚类，回归和优化任务也是如此。这种现象与“ 免费午餐定理”有关，但这是另一个讨论的主题。总而言之，如果SOM最适合您在特定任务上的工作，那么不管流行什么，SOM都是您应使用的算法。

我已经完成了将SOM与t-SNE进行比较的研究，并且提出了SOM的改进，使其达到了新的效率水平。请在这里查看，让我知道您的反馈。很想了解人们对此的想法，以及是否值得在python中发布供人们使用。

IEEE的论文链接：http : //ieeexplore.ieee.org/document/6178802/

Matlab实现。 https://www.mathworks.com/matlabcentral/fileexchange/35538​​-cluster-reinforcement--cr--phase

感谢您的反馈意见。

我的主观观点是，与许多其他方法相比，SOM的知名度和知名度都不如“性感”，但与某些类型的问题仍然高度相关。如果它们被更广泛地使用，它们很可能会做出重大贡献。在探索性数据科学的早期阶段，它们对于获得多元数据的“景观”或“拓扑”具有不可估量的价值。

库等的发展Somoclu，并研究如由GuénaëlCabanes的（以及许多其他）显示的SOM仍然适用。