Metody klasteryzacji mają na celu uzyskanie jednorodnych podzialów obiektów, jednocześnie promując heterogenicznośc między tymi podzialami. Każde podejście do klasteryzacji, takie jak metody hierarchiczne, partycjonujące i neuronowe, ma ostatecznie swoje zalety i ograniczenia. Skupiamy się na metodach neuronowych, ponieważ pokonują one ograniczenia metod hierarchicznych i partycjonowania i są najbardziej odpowiednimi metodami klasteryzacji do stosowania w przypadku dużej ilości danych. W niniejszej pracy proponujemy algorytm multi-SOM wykorzystujący inne kryterium oceny. Konieczny jest zatem przegląd miar oceny proponowanych w literaturze. Niemniej jednak metoda multi-SOM, wraz ze swoją silą i skutecznością w wyznaczaniu granic klastrów, ma również ograniczenia w zakresie warunków zatrzymania.