Spectral Clustering

目录

什么是Spectral Clustering？

Spectral Clustering的分割方法

       第一步构建一个相似度矩阵

       第二步构建一个度矩阵

       第三步构建拉普拉斯矩阵L

       第四步归一化矩阵L

       第五步计算矩阵L的特征值和特征向量

关于如何计算特征值和特征向量

---

先贴出我借鉴的博客

1. http://blog.pluskid.org/?p=287
2. http://liuzhiqiangruc.iteye.com/blog/2117144
3. http://www.cnblogs.com/wing1995/p/5014050.html

---

什么是Spectral Clustering？

       Spectral Clustering(SC, 谱聚类)是一种基于图论的聚类方法。将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远，以达到常见的聚类的目的。

---

Spectral Clustering的分割方法

       谱聚类本身也提供了好几种不同的分割(cut)方法(mininum cut, ratio cut, nomarlized cut)，每种方法对应一种优化目标。本文只介绍其中比较常见，也是比较实用，而且实现起来也比较经济的一种：Nomarlized cut.

       每条边的边权值为两个点的相似度。

                                       

       第一步我们先构建一个相似度矩阵

       这里我们为了方便理解其概念，将相连的点的边权值设为1，其余是0。

                                 

       第二步我们构建一个度矩阵

       度矩阵（某个点的度指的是与该点关联的点之间的总权数，比如A点的度为2），度矩阵是一个对角矩阵，也就是除了对角线有值以外，其他位置都是0。