Metody klasteryzacji maj? na celu uzyskanie jednorodnych podzialów obiektów, jednocze?nie promuj?c heterogeniczno?c mi?dzy tymi podzialami. Ka?de podej?cie do klasteryzacji, takie jak metody hierarchiczne, partycjonuj?ce i neuronowe, ma ostatecznie swoje zalety i ograniczenia. Skupiamy si? na metodach neuronowych, poniewa? pokonuj? one ograniczenia metod hierarchicznych i partycjonowania i s? najbardziej odpowiednimi metodami klasteryzacji do stosowania w przypadku du?ej ilo?ci danych. W niniejszej pracy proponujemy algorytm multi-SOM wykorzystuj?cy inne kryterium oceny. Konieczny jest zatem przegl?d miar oceny proponowanych w literaturze. Niemniej jednak metoda multi-SOM, wraz ze swoj? sil? i skuteczno?ci? w wyznaczaniu granic klastrów, ma równie? ograniczenia w zakresie warunków zatrzymania.