Selbstorganisierende Karten gegen Kernel k-means

Für eine Anwendung möchte ich Daten (möglicherweise hochdimensional) gruppieren und die Wahrscheinlichkeit der Zugehörigkeit zu einem Cluster extrahieren. Ich denke im Moment über selbstorganisierende Karten oder Kernel-K-Mittel nach, um die Arbeit zu erledigen. Was sind die Vor- und Nachteile jedes Klassifikators für diese Aufgabe? Vermisse ich andere Clustering-Algorithmen, die in diesem Fall performant sein könnten?

Dies kann eine interessante Frage sein. Clustering-Algorithmen funktionieren je nach Topologie Ihrer Daten und dem, wonach Sie in diesen Daten suchen, "gut" oder "nicht gut". ¿Was sollen die Cluster darstellen? Ich füge ein Diagramm bei, das leider weder Kernel k-means noch SOM enthält, aber ich denke, es ist von großem Wert, um die gravierenden Unterschiede zwischen den Techniken zu verstehen. Sie müssen dies wahrscheinlich selbst fragen und beantworten, bevor Sie sich mit der Messung der "Vor- und Nachteile" befassen.

Dies ist die Quelle des Bildes.