自己組織マップのクラスタリング

自己組織マップ（SOM）は、データマイニングの探索的フェーズにおいて優れたツールです。それは、データの特性を視覚化し探索するために有効に利用できる低次元の規則的グリッドのプロトタイプに入力空間を投影します。SOMユニットの数が多い場合、マップとデータの定量的分析を容易にするためには、類似のユニットをグループ化する必要があります、すなわちクラスタリングします。本論文では、SOMのクラスタリングに関するさまざまなアプローチが考慮されています。特に、階層的凝集クラスタリングとk-meansを用いた部分的クラスタリングの使用が調査されます。最初にSOMを使用してプロトタイプを生成し、次の段階でそれらをクラスタリングする二段階手順は、データの直接的クラスタリングと比較した場合に優れた性能を示し、計算時間を短縮することがわかりました。