【发布时间】：2012-10-16 00:15:51
【问题描述】：
在 SOM 中收集和组织数据后，如何识别集群？
（项目使用许多特征进行聚合和聚类 - 超过 10 个）
具体来说，我想找到集群的“中心”——因此给了我“中心”节点。
【问题讨论】：
标签： cluster-analysis som
【发布时间】：2012-10-16 00:15:51
【问题描述】：
您可以使用相对较小的地图并将每个节点视为一个集群，但这远非最佳。如果您想应用自动集群检测方法，您绝对应该阅读
Clustering of the Self−Organizing Map
并搜索类似的参考书目。
您还可以使用更复杂的 SOM 算法版本（多级、自增长等）。
无论如何，请记住，找到“正确”簇数的问题没有有限的解决方案。
【讨论】：
-
有些聚类算法不需要知道聚类的数量。您只需要使用比 k-means 和层次聚类更现代的东西。
-
您基本上可以做的是两个步骤：构建和训练 som。然后，在静态数量的集群或动态数量的集群上对 SOM 进行集群。
-
@khan，你所说的“集群 SOM”是什么意思？我认为通过训练 SOM，您可以对数据进行聚类/缩减维度。谢谢
据我所知，SOM 主要是一种数据驱动的降维和数据压缩方法。所以它不会为您聚类数据；它实际上可能倾向于在投影中散布簇（即将它们分成多个单元格）。
但是，对于 一些 数据集，它可能适用于：
- 仅在 SOM 节点（按分配给它们的元素数量加权）上工作，而不是处理完整的数据集，该节点应该小得多
- 不要在原始空间中工作，而是在 SOM 所代表的低维空间中工作
然后对转换后的数据运行常规聚类算法。
【讨论】：
虽然一个老问题我遇到了同样的问题，并且我在实现Estimating the Number of Clusters in Multivariate Data by Self-Organizing Maps 方面取得了一些成功，所以我想我会分享。
链接算法使用 U 矩阵突出显示各个集群的边界，然后使用称为分水岭的图像处理算法来识别组件。为使其正常工作，u 矩阵中的区域需要在量化的分辨率范围内凹入（当转换为二进制图像时，只会导致使用填充来识别区域）。
【讨论】：