使用MiniSom遇AttributeError：无cluster_centers_属性的解决方案咨询

1. 获取MiniSom的“聚类中心”（神经元权重） #

MiniSom的神经元权重等价于KMeans的cluster_centers_，直接调用get_weights()方法即可获取。该方法返回形状为(x_grid_size, y_grid_size, n_features)的数组，若要展平成(n_clusters, n_features)的格式（和KMeans一致），可以这样处理：

# som为已训练完成的MiniSom实例
cluster_centers = som.get_weights().reshape(-1, som.dim)

2. 为样本分配聚类标签 #

要给每个样本匹配对应的神经元（即聚类类别），用winner()方法遍历样本，再将神经元的二维坐标转换为一维标签：

import numpy as np

# X为输入特征数组
labels = np.array([som.winner(x) for x in X])
# 将(x,y)坐标转为唯一整数标签
labels = labels[:, 0] * som.weights.shape[1] + labels[:, 1]

3. 正确使用win_map分组样本 #

win_map是训练后自动生成的字典，键为神经元坐标（如(0,0)），值为属于该神经元的样本列表。如果你的数据是DataFrame，需先转为numpy数组再使用：

import pandas as pd

# df为你的数据集
X = df.values
win_map = som.win_map(X)

# 遍历每个神经元对应的样本
for neuron_pos, samples in win_map.items():
    print(f"神经元{neuron_pos}包含样本数：{len(samples)}")
    # 转回DataFrame便于后续处理
    sample_group = pd.DataFrame(samples, columns=df.columns)
    # 这里添加你的分析/保存逻辑

替换原KMeans代码示例 #

如果原博文中的KMeans代码是：

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=5)
kmeans.fit(X)
centers = kmeans.cluster_centers_
labels = kmeans.labels_

替换为MiniSom实现相同逻辑的代码：

from minisom import MiniSom

# 初始化SOM，用1x5网格对应5个聚类（可根据需求调整x/y尺寸）
som = MiniSom(x=1, y=5, input_len=X.shape[1], sigma=0.3, learning_rate=0.5)
som.random_weights_init(X)
som.train_random(X, 100)  # 训练100次，可调整迭代次数

# 获取聚类中心
centers = som.get_weights().reshape(-1, X.shape[1])
# 获取样本标签
labels = np.array([som.winner(x)[1] for x in X])

内容的提问来源于stack exchange，提问作者Zeke Estes