В работе рассмотрены некоторые методы кластеризации для разбиения множества данных на кластеры. В качестве метода кластеризации предложено использовать алгоритм k-means++. Проведен анализ эффективности обучения и точности работы нейронной сети, состоящей из 2 скрытых слоёв. Благодаря разбиению данных на отдельные группы появилась возможность выполнять анализ каждого кластера по отдельности. Нейронная сеть разбита на подсети, которые работают с элементами своего кластера независимо друг от друга. В случае тестирования на конечном множестве примеров при необходимости происходит переобучение нейронной сети (обратная связь). В работе приведён анализ статистических данных количества ошибок нейронной сети при разном числе кластеров. В результате разбиения нейронной сети на кластеры количество ошибок значительно сократилось; работающие независимо друг от друга подсети позволяют реализовать механизм параллельных вычислений.

Cluster analysis or clustering is the task of grouping a set of objects in such a way that objects in the same group are more similar to each other than to those in other groups. Some clustering methods to share data to clusters were analyzed in this article. There are some clustering methods for partitioning the data set into clusters.As a method proposed clustering algorithm to use k-means ++. The effectiveness of trainingand the accuracy of the neural network consisting of two hidden layers was analyzed. By partition the data into separate groups there is the opportunity to carry out an analysis of each cluster separately. A neural network is divided into subnetworks that work with elements of its cluster independently. In the case of testing on a finite set of examples, if necessary, retraining occurs neural network (feedback).The statistical errors of the neural network with different numbers of clusters were analyzed in this article.As a result of the decomposition of the neural network into clusters the number of errors decreased significantly; working independently of one another subnet can realize the mechanism of parallel computing.