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$\mathbf{G}=(\mathbf{V},\mathbf{E})$，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  那么对于n个顶点，可构造$n\ast n$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$\epsilon$-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。$\epsilon$-邻近、k-邻近的具体构造方法见这篇文章。