如果聚类分析的目的只是将样本集分为较少的几个类，用自组织网络方法并没有明显的优势。因此我们必须作出一些改进。我们可以考虑，通过自组织学习过程将样本集映射到神经元平面上，将学习后一个样本映射到的节点称作这个样本的像，而样本为这个节点的原像。在节点平面上统计各个节点的原像数目（称作像密度），得到样本集的像密度图，根据自组织映射神经网络的性质和上面提到的节点间对应样本之间的关系，则可以按照密度图把样本集分类，将像密度较高且较集中的节点对应的样本识别为一类。当数据分布并不呈现明显的单峰形式时，传统方法通常仍然继续完成分类，但这种分类已经不能反映样本集中实际的分布和相似性关系，而这种情况下，用自组织分析方法则可从密度图上看出样本集中无明显聚类的分布特性。