相似度矩阵的几种构造方式(附代码)

标题
  在谱聚类中,常将数据看做空间上的点,点之间用边连接起来,构造无向权重图 G = ( V , E ) \mathbf{G}=(\mathbf{V},\mathbf{E}) G=(V,E),其中 V = { v 1 , v 2 , . . . , v n } \mathbf{V}=\{v_1, v_2, ..., v_n\} V={ v1,v2,...,vn}为定点集合,E为边集合。对任意一个顶点Vi,度di表示与它相连的所有边权重之和,W(i,j)表示Vi和Vj之间的边权重,那么在这里插入图片描述  那么对于n个顶点,可构造 n ∗ n n*n nn的度矩阵D=diag(d1,d2,…,dn)。同时,利用所有顶点之间的权重,得邻接矩阵(相似度矩阵)W。
  常见的邻接矩阵W的构造方法有3种,分别是 ε \varepsilon ε-邻近、k-邻近、全连接法。
  本文主要基于高斯核的全连接法构造邻接矩阵W。 ε \varepsilon ε-邻近、k-邻近的具体构造方法见这篇文章

目录:

  • 17
    点赞
  • 76
    收藏
    觉得还不错? 一键收藏
  • 5
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值