神经网络聚类提供了示例数据来帮助您开始训练神经网络。

要导入示例鸢尾花聚类数据，请选择导入 > 导入鸢尾花数据集。如果您从文件或工作区导入自己的数据，则必须指定预测变量，以及观测值是位于行中还是列中。

有关导入数据的信息显示在模型摘要中。此数据集包含 150 个观测值，每个观测值有 4 个特征。

对于聚类问题，自组织特征映射 (SOM) 是最常用的网络。此网络的一个层的神经元以网格形式组织。自组织映射学习基于相似性对数据进行聚类。有关 SOM 的详细信息，请参阅自组织映射神经网络的聚类。

要创建网络，请指定映射大小，这对应于网格中的行数和列数。对于此示例，请将映射大小值设置为 10，这对应于 10 行 10 列的网格。神经元的总数等于网格中的点数，在此示例中，映射有 100 个神经元。您可以在网络窗格中看到网络架构。

要训练网络，请点击训练。在训练窗格中，您可以看到训练进度。训练会一直持续，直到满足其中一个停止条件。在此示例中，训练会一直持续，直到达到最大训练轮数。

要分析训练结果，请生成绘图。对于 SOM 训练，与每个神经元关联的权重向量都会朝着成为输入向量簇中心的方向移动。此外，拓扑中彼此相邻的神经元也应在输入空间中相互靠近，因此可以在网络拓扑的两个维度中可视化高维输入空间。默认的 SOM 拓扑是六边形的。

要绘制 SOM 采样命中数，请在绘图部分中，点击采样命中数。此图显示了拓扑中的神经元位置，并指示每个神经元（簇中心）有多少观测值相关联。该拓扑是一个 10×10 网格，因此有 100 个神经元。与任一神经元关联的最大命中数为 5。因此，该簇中有 5 个输入向量。

绘制权重平面（也称为成分平面）。在绘图部分中，点击权重平面。此图显示输入特征的每个元素的权重平面（此示例中为 4 个）。该图显示将每个输入连接到每个神经元的权重，颜色越暗，表示权重越大。如果两个特征的连接模式非常相似，则可以假设这两个特征高度相关。

如果您对网络性能不满意，可以执行以下操作之一：

重新训练网络。每次训练都会采用不同网络初始权重和偏置，并且在重新训练后可以产生改进的网络。

通过增大映射大小来增大神经元的数量。

使用更大的训练数据集。

您还可以评估基于附加测试集的网络性能。要加载附加测试数据来评估网络，请在测试部分中，点击测试。生成图来分析附加测试结果。

选择生成代码 > 生成简单的训练脚本以创建 MATLAB 代码，从命令行重现前面的步骤。如果您要了解如何使用工具箱的命令行功能来自定义训练过程，则创建 MATLAB 代码会很有帮助。在使用命令行函数对数据进行聚类中，您可以更详细地研究生成的脚本。

您可以将经过训练的网络导出到工作区或 Simulink®。您也可以使用 MATLAB Compiler™ 工具和其他 MATLAB 代码生成工具部署网络。要导出您的训练网络和结果，请选择导出模型 > 导出到工作区。