如何评估鸢尾花数据集上Self-Organizing Map(SOM)的聚类性能？

关于ARI评估的合理性 #

ARI可以用来衡量聚类结果与真实标签的一致性，但你当前的用法存在问题：你直接将每个SOM神经元视为一个簇（10x10网格对应100个簇），而鸢尾花仅有3个真实类别，簇数差异过大时，ARI必然趋近于0——这是因为ARI的核心是衡量两个簇划分的重叠度，当簇数相差悬殊，随机划分的ARI也接近0，所以你的结果是合理的，但这是评估方式的问题，并非SOM本身的问题。

正确的SOM性能评估流程 #

1. 先对SOM神经元进行二次聚类 #

SOM的本质是将样本映射到二维网格的神经元原型上，你需要先把相似的神经元聚成与真实类别数（3个）匹配的簇，再将样本的神经元归属映射到这个簇划分上，之后再计算ARI：

% 提取SOM所有神经元的权重向量
neuron_weights = net.IW{1};
% 用k-means对神经元聚类，指定簇数为3（和鸢尾花真实类别一致）
[idx_neurons, ~] = kmeans(neuron_weights, 3);
% 将每个样本对应的神经元索引映射为最终簇标签
sample_cluster_labels = idx_neurons(assignment);
% 计算调整兰德指数
ari = adjustedRandIndex(true_labels, sample_cluster_labels);

2. 专属SOM的拓扑与量化指标 #

除了和真实标签对比的一致性指标，SOM还有自身特有的评估维度：

• 量化误差：计算每个样本到其最佳匹配神经元（BMU）权重的平均距离，数值越小说明SOM对样本的拟合精度越高：

  quantization_error = mean(min(pdist2(X, neuron_weights'), [], 2));
  

• 拓扑误差：统计有多少样本的BMU和次佳匹配神经元在SOM网格上不相邻，数值越小说明SOM更好地保留了原始数据的拓扑结构（需自行实现或借助专用工具箱）。
• 可视化评估：调用plotsom(net)绘制SOM神经元网格，观察不同真实类别的样本在网格上的分布是否集中、边界是否清晰，这是SOM最直观的评估方式。

大网格下的问题说明 #

当使用10x10这类大网格时，神经元数量远多于真实类别数，直接用神经元索引作为簇标签计算ARI没有实际意义——簇数差异过大导致一致性指标失效。必须先对神经元做二次聚类，将簇数调整到与真实类别匹配后，再计算一致性指标才合理。

内容的提问来源于stack exchange，提问作者CodeGuy