Cartes auto-organisées vs k-means du noyau

Pour une application, je souhaite regrouper des données (potentiellement de grande dimension) et extraire la probabilité d'appartenir à un cluster. Je considère en ce moment des cartes auto-organisées ou des k-moyens du noyau pour faire le travail. Quels sont les avantages et les inconvénients de chaque classificateur pour cette tâche? Suis-je manquant d'autres algorithmes de clustering qui pourraient être performants dans ce cas?

Cela pourrait être une question intéressante. Les algorithmes de clustering fonctionnent «bien» ou «pas bien» selon la topologie de vos données et ce que vous recherchez dans ces données. ¿Que voulez-vous que les clusters représentent? Je joins un diagramme qui n'inclut malheureusement pas les k-means du noyau ou SOM mais je pense qu'il est d'une grande valeur pour comprendre les graves différences entre les techniques. Vous devrez probablement vous poser cette question et vous répondre avant de vous lancer dans la mesure des «avantages» et des «inconvénients».

Ceci est la source de l'image.