谱聚类（spectral clustering）原理总结

最新推荐文章于 2022-07-27 15:43:59 发布

花雍698

最新推荐文章于 2022-07-27 15:43:59 发布

阅读量242

点赞数

文章标签：聚类机器学习

本文链接：https://blog.csdn.net/m0_61968929/article/details/124869508

版权

谱聚类（spectral clustering）原理总结

谱聚类对数据分布的适应性更强，聚类效果优秀，同时聚类的计算量小且实现起来不复杂。
引用文章链接：https://blog.csdn.net/yc_1993/article/details/52997074

等周长问题：具体为如何在给定长度的线条下围出一个最大的面积，也可理解为，在给定面积下如何使用更短的线条，而这，也正是谱图聚类想法的端倪，如何在给定一张图，拿出“更短”的边来将其“更好”地切分。而这个“更短”的边，正是对应了spectral clustering中的极小化问题，“更好”地切分，则是对应了spectral clustering中的簇聚类效果。

1、谱聚类概述

谱聚类是从图论中演化出来的算法，后来在聚类中得到了广泛的应用。

主要思想是把所有的数据看做空间中的点，这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高，通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。

乍一看，这个算法原理的确简单，但是要完全理解这个算法的话，需要对图论中的无向图，线性代数和矩阵分析都有一定的了解。下面我们就从这些需要的基础知识开始，一步步学习谱聚类。

spectral clustering的优点主要有以下：

过程对数据结构并没有太多的假设要求
可以通过构造稀疏Similarity Graph，使得对于更大的数据集表现出明显优于其他算法的计算速度。
由于Spectral Clustering是对图切割处理，不存在像Kmeans将离散的小簇聚合在一起的情况。
无需像GMM一样对数据概率分布做假设。

2. 谱聚类基础之一：无向权重图

由于谱聚类是基于图论的，因此我们首先温习下图的概念。

对于一个图 $G$ 我们一般用点的集合 $V$ 和边的集合 $E$ 来描述。即为 $G (V, E)$ ,其中 $V$ 即为数据集里面所有的点 ${{v}_{1}},{{v}_{2}},...,{{v}_{n}})$ 。对于 $V$ 中的任意两个点，可以有边连接，也可以没有边连接。我们定义权重 ${{w}_{ij}}$ 为点 ${{v}_{i}}$ 和点 ${{v}_{j}}$ 由于我们是无向图，所以 ${{w}_{ij}}={{w}_{ji}}$ 。对于有边连接的两个点 ${{v}_{i}}$ 和 ${{v}_{j}}$ , ${{w}_{ij}>0}$ ,对于没有边连接的两个点 ${{v}_{i}}$ 和 ${{v}_{j}}$ , ${{w}_{ij}=0}$ 。对于图中的任意一个点 ${{v}_{i}}$ 它的度 ${{d}_{i}}$ 定义为和它相连的所有边的权重之和，即:

${{d}_{i}}=\sum\limits_{j=1}^{n}{{{w}_{ij}}}$

利用每个点度的定义，我们可以得到一个nxn的度矩阵 $D$ 它是一个对角矩阵，只有主对角线有值，对应第i行的第i个点的度数，定义如下： $D=\left( \begin{matrix} {{d}_{1}} & \ldots & \ldots \\ \ldots & {{d}_{2}} & \ldots \\ \vdots & \vdots & \ddots \\ \ldots & \ldots & {{d}_{n}} \\ \end{matrix} \right)$

利用所有点之间的权重值，我们可以得到图的邻接矩阵 $W$ ,它也是一个 $n * n$ 的矩阵，第i行的第j个值对应我们的权重 ${}{{w}_{ij}}$ 除此之外，对于点集 $V$ 的的一个子集 $A \subset V$ ，我们定义：

$∣ A ∣$ :子集A中点的个数 $vol(A)=\underset{i\in A}{\mathop{\sum }}\,{{d}_{i}}$

3. 谱聚类基础之二：相似矩阵

对于邻接矩阵 $W$ ,它是由任意两点之间的权重值 ${{w}_{ij}}$

组成的矩阵。通常我们可以自己输入权重，但是在谱聚类中，我们只有数据点的定义，并没有直接给出这个邻接矩阵，那么怎么得到这个邻接矩阵呢？

基本思想，距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高，不过这仅仅是定性，我们需要定量的权重值。一般来说，我们可以通过样本点距离度量的相似矩阵 $S$ 来获得邻接矩阵 $W$ 。

构建邻接矩阵 $W$ 的方法有三类。 $ϵ -$ 邻近法，K邻近法和全连接法。

对于 $ϵ -$ 邻近法，它设置了一个距离阈值 $ϵ$ 然后用欧式距离 ${{S}_{ij}}$ 度量任意两点 ${{x}_{i}}和$ ${{x}_{j}}$ 的距离。即相似矩阵的 ${{S}_{ij}}=||{{x}_{i}}-{{x}_{j}}||_{2}^{2}$ , 然后根据 ${{S}_{ij}}$ 和 $ϵ$ 的大小关系，来定义邻接矩阵 $W$ 如下：

${{w}_{ij}}=\left\{ \begin{matrix} 0 & {{s}_{ij}}>\varepsilon \\ \varepsilon & {{s}_{ij}}<\varepsilon \\ \end{matrix} \right.$

从上式可见，两点间的权重要不就是 $ϵ$ ,要不就是0，没有其他的信息了。距离远近度量很不精确，因此在实际应用中，我们很少使用ϵ-邻近法。

第二种定义邻接矩阵 $W$ 的方法是K邻近法，利用KNN算法遍历所有的样本点，取每个样本最近的k个点作为近邻，只有和样本距离最近的k个点之间的 ${{w}_{ij}}>0$ 。但是这种方法会造成重构之后的邻接矩阵 $W$ 非对称，我们后面的算法需要对称邻接矩阵。为了解决这种问题，一般采取下面两种方法之一：

第一种K邻近法是只要一个点在另一个点的K近邻中，则保留 ${{S}_{ij}}$

${{w}_{ij}}={{w}_{ji}}=\left\{ \begin{matrix} 0 & {{x}_{i}}\notin KNN({{x}_{j}})and{{x}_{j}}\notin KNN({{x}_{i}}) \\ \exp (-\frac{||{{x}_{i}}-{{x}_{j}}||_{2}^{2}}{2{{\sigma }^{2}}}) & {{x}_{i}}\in KNN({{x}_{j}})or{{x}_{j}}\in KNN({{x}_{i}}) \\ \end{matrix} \right.$

第二种K邻近法是必须两个点互为K近邻中，才能保留 ${{S}_{ij}}$

${{w}_{ij}}={{w}_{ji}}=\left\{ \begin{matrix} 0 & {{x}_{i}}\notin KNN({{x}_{j}})or{{x}_{j}}\notin KNN({{x}_{i}}) \\ \exp (-\frac{||{{x}_{i}}-{{x}_{j}}||_{2}^{2}}{2{{\sigma }^{2}}}) & {{x}_{i}}\in KNN({{x}_{j}})and{{x}_{j}}\in KNN({{x}_{i}}) \\ \end{matrix} \right.$

第三种定义邻接矩阵 $W$ 的方法是全连接法，相比前两种方法，第三种方法所有的点之间的权重值都大于0，因此称之为全连接法。可以选择不同的核函数来定义边权重，常用的有多项式核函数，高斯核函数和Sigmoid核函数。最常用的是高斯核函数RBF，此时相似矩阵和邻接矩阵相同：

${{w}_{ij}}={{s}_{ij}}=\exp (-\frac{||{{x}_{i}}-{{x}_{j}}||_{2}^{2}}{2{{\sigma }^{2}}})$

在实际的应用中，使用第三种全连接法来建立邻接矩阵是最普遍的，而在全连接法中使用高斯径向核RBF是最普遍的。

4. 谱聚类基础之三：拉普拉斯矩阵

单独把拉普拉斯矩阵(Graph Laplacians)拿出来介绍是因为后面的算法和这个矩阵的性质息息相关。它的定义很简单，拉普拉斯矩阵 $L = D - W$ 。

$D$ 即为我们第二节讲的度矩阵，它是一个对角矩阵。而 $W$ 即为我们第二节讲的邻接矩阵，它可以由我们第三节的方法构建出。

拉普拉斯矩阵有一些很好的性质如下：

拉普拉斯矩阵是对称矩阵，这可以由 $D$ 和 $W$ 都是对称矩阵而得。
由于拉普拉斯矩阵是对称矩阵，则它的所有的特征值都是实数。
对于任意的向量 $f$ ,我们有

${{f}^{T}}Lf=\frac{1}{2}\sum\limits_{i,j=1}^{n}{{{w}_{ij}}{{({{f}_{i}}-{{f}_{j}})}^{2}}}$

这个利用拉普拉斯矩阵的定义很容易得到如下：

${{f}^{T}}Lf={{f}^{T}}Df-{{f}^{T}}Wf=\sum\limits_{i=1}^{n}{{{d}_{i}}{{f}_{i}}^{2}-}\sum\limits_{i,j=1}^{n}{{{w}_{ij}}{{f}_{i}}}{{f}_{j}}$ = $\frac{1}{2}(\sum\limits_{i=1}^{n}{{{d}_{i}}{{f}_{i}}^{2}-}2\sum\limits_{i,j=1}^{n}{{{w}_{ij}}{{f}_{i}}{{f}_{j}}+}\sum\limits_{j=1}^{n}{{{d}_{j}}{{f}_{j}}^{2}})=\frac{1}{2}\sum\limits_{i,j=1}^{n}{{{w}_{ij}}{{({{f}_{i}}-{{f}_{j}})}^{2}}}$
拉普拉斯矩阵是半正定的，且对应的n个实数特征值都大于等于0，即 $0={{\lambda }_{1}}\le {{\lambda }_{2}}\le ...\le {{\lambda }_{n}}$

且最小的特征值为0，这个由性质3很容易得出。

5. 谱聚类基础之四：无向图切图

对于无向图 $G$ 的切图，我们的目标是将图 $G (V, E)$ 切成相互没有连接的k个子图，每个子图点的集合为： ${{A}_{1}},{{A}_{2}},...,{{A}_{k}}$ ，它们满足${{A}{i}}\cap {{A}{j}}=\varnothing $, ${{A}_{1}}\cup {{A}_{2}}\cup ...\cup {{A}_{k}}=V$ .

对于任意两个子图点的集合$A,B\subset V,A\cap B=\varnothing $我们定义A和B之间的切图权重为：

$W(A,B)=\sum\limits_{i\in A,j\in B}{{{w}_{ij}}}$

那么对于我们k个子图点的集合： ${{A}_{1}},{{A}_{2}},...,{{A}_{k}}$ ,我们定义切图cut为：

$cut({{A}_{1}},{{A}_{2}},...,{{A}_{k}})=\frac{1}{2}\sum\limits_{i=1}^{k}{W({{A}_{i}}-\overline{{{A}_{i}}})}$

其中 $\overline{{{A}_{i}}}$ 为AiAi的补集，意为除 ${{A}_{i}}$ 子集外其他V的子集的并集。

那么如何切图可以让子图内的点权重和高，子图间的点权重和低呢？一个自然的想法就是最小化

$cut({{A}_{1}},{{A}_{2}},...,{{A}_{k}})$ , 但是可以发现，这种极小化的切图存在问题

6. 谱聚类之切图聚类

为了避免最小切图导致的切图效果不佳，我们需要对每个子图的规模做出限定，一般来说，有两种切图方式，第一种是RatioCut，第二种是Ncut。下面我们分别加以介绍。

6.1 RatioCut切图

RatioCut切图为了避免第五节的最小切图，对每个切图，不光考虑最小化 $cut({{A}_{1}},{{A}_{2}},...,{{A}_{k}})$ cut(A1,A2,…Ak)，它还同时考虑最大化每个子图点的个数，即：

$RatioCut({{A}_{1}},{{A}_{2}},...,{{A}_{k}})=\frac{1}{2}\sum\limits_{i=1}^{k}{\frac{W({{A}_{i}}-\overline{{{A}_{i}}})}{|{{A}_{i}}|}}$

那么怎么最小化这个RatioCut函数呢？牛人们发现，RatioCut函数可以通过如下方式表示。

我们引入指示向量 ${{h}_{j}}\in \left\{ {{h}_{1}},{{h}_{2}},...,{{h}_{k}} \right\},j=1,2,....,k$ .对于任意一个向量 ${{h}_{j}}$ , 它是一个n维向量（n为样本数），我们定义 ${{h}_{ij}}$ :

${{h}_{ij}}=\left\{ \begin{matrix} 0 & {{v}_{i}}\notin {{A}_{j}} \\ \frac{1}{\sqrt{|{{A}_{j}}|}} & {{v}_{i}}\in {{A}_{j}} \\ \end{matrix} \right.$

那么我们对于 ${{h}_{i}}^{T}L{{h}_{i}}$ ,有

${{h}_{i}}^{T}L{{h}_{i}}=\frac{1}{2}\sum\limits_{m=1}{\sum\limits_{n=1}{{{w}_{mn}}}}{{({{h}_{im}}-{{h}_{in}})}^{2}}$ (1)

$=\frac{1}{2}\left( \sum\limits_{m\in {{A}_{i}}n\notin {{A}_{i}}}{{{w}_{mn}}{{(\frac{1}{\sqrt{|{{A}_{i}}|}}-0)}^{2}}+\sum\limits_{m\notin {{A}_{i}}n\in {{A}_{i}}}{{{w}_{mn}}{{(0-\frac{1}{\sqrt{|{{A}_{i}}|}})}^{2}}}} \right)$ (2)

$=\frac{1}{2}\left( \sum\limits_{m\in {{A}_{i}}n\notin {{A}_{i}}}{{{w}_{mn}}\frac{1}{|{{A}_{i}}|}+\sum\limits_{m\notin {{A}_{i}}n\in {{A}_{i}}}{{{w}_{mn}}\frac{1}{|{{A}_{i}}|}}} \right)$ (3)

$=\frac{1}{2}\left( cut({{A}_{i}},\overline{{{A}_{i}}})\frac{1}{|{{A}_{i}}|}+cut(\overline{{{A}_{i}}},{{A}_{i}})\frac{1}{|{{A}_{i}}|} \right)$ (4)

$=\frac{cut({{A}_{i}},\overline{{{A}_{i}}})}{|{{A}_{i}}|}$ (5)

上述第（1）式用了上面第四节的拉普拉斯矩阵的性质3. 第二式用到了指示向量的定义。可以看出，对于某一个子图i，它的RatioCut对应于 ${{h}_{i}}^{T}L{{h}_{i}}$

那么我们的k个子图呢？对应的RatioCut函数表达式为：

$RatioCut({{A}_{1}},{{A}_{2}},...,{{A}_{k}})=\sum\limits_{i=1}^{k}{{{h}_{i}}^{T}L{{h}_{i}}}=\sum\limits_{i=1}^{k}{{{({{H}^{T}}LH)}_{i}}}=tr({{H}^{T}}LH)$

其中 $tr({{H}^{T}}LH)$ 为矩阵的迹。

也就是说，我们的RatioCut切图，实际上就是最小化我们的 $tr({{H}^{T}}LH)$ 。注意到 ${{H}^{T}}H=I$ ,则我们的切图优化目标为:

$\underbrace{\arg \min }_{H}tr({{H}^{T}}LH)\begin{matrix} s.t. & {{H}^{T}}H=I \\ \end{matrix}$

注意到我们H矩阵里面的每一个指示向量都是n维的，向量中每个变量的取值为0或者 $\frac{1}{\sqrt{|{{A}_{j}}|}}$ ,就有 ${{2}^{n}}$ 种取值，有k个子图的话就有k个指示向量，共有 ${{k2}^{n}}$ 种H，因此找到满足上面优化目标的H是一个NP难的问题。那么是不是就没有办法了呢？

注意观察 $tr({{H}^{T}}LH)$ 中每一个优化子目标 ${{h}_{i}}^{T}L{{h}_{i}}$ ,其中 $h$ 是单位正交基， $L$ 为对称矩阵，此时 ${{h}_{i}}^{T}L{{h}_{i}}$ 的最大值为 $L$ 的最大特征值，最小值是 $L$ 的最小特征值。如果你对主成分分析PCA很熟悉的话，这里很好理解。在PCA中，我们的目标是找到协方差矩阵（对应此处的拉普拉斯矩阵 $L$ ）的最大的特征值.

而在我们的谱聚类中，我们的目标是找到目标的最小的特征值，得到对应的特征向量，此时对应二分切图效果最佳。也就是说，我们这里要用到维度规约的思想来近似去解决这个NP难的问题。

对于 ${{h}_{i}}^{T}L{{h}_{i}}$ ，我们的目标是找到最小的L的特征值，而对于 $tr({{H}^{T}}LH)=\sum\limits_{i=1}^{k}{{{h}_{i}}^{T}L{{h}_{i}}}$ ，则我们的目标就是找到k个最小的特征值，一般来说，k远远小于n，也就是说，此时我们进行了维度规约，将维度从n降到了k，从而近似可以解决这个NP难的问题。

通过找到 $L$ 的最小的k个特征值，可以得到对应的k个特征向量，这k个特征向量组成一个nxk维度的矩阵，即为我们的 $H$ 。一般需要对 $H$ 矩阵按行做标准化，即:

$h_{ij}^{*}=\frac{{{h}_{ij}}}{{{(\sum\limits_{t=1}^{k}{h_{it}^{2}})}^{\frac{1}{2}}}}$

由于我们在使用维度规约的时候损失了少量信息，导致得到的优化后的指示向量 $h$ 对应的 $H$ 现在不能完全指示各样本的归属，因此一般在得到 $n * k$ 维度的矩阵 $H$ 后还需要对每一行进行一次传统的聚类，比如使用K-Means聚类.

6.2 Ncut切图

Ncut切图和RatioCut切图很类似，但是把Ratiocut的分母 ${{A}_{i}}|$ 换成 $v o l (A i)$ . 由于子图样本的个数多并不一定权重就大，我们切图时基于权重也更合我们的目标，因此一般来说Ncut切图优于RatioCut切图

$NCut({{A}_{1}},{{A}_{2}},...,{{A}_{k}})=\frac{1}{2}\sum\limits_{i=1}^{k}{\frac{W({{A}_{i}}-\overline{{{A}_{i}}})}{vol({{A}_{i}})}}$

对应的，Ncut切图对指示向量 $h$ 做了改进。注意到RatioCut切图的指示向量使用的是 $\frac{1}{\sqrt{|{{A}_{i}}|}}$ 标示样本归属，而Ncut切图使用了子图权重 $\frac{1}{\sqrt{vol({{A}_{i}})}}$ 来标示指示向量 $h$ ，定义如下:

${{h}_{ij}}=\left\{ \begin{matrix} 0 & {{v}_{i}}\notin {{A}_{j}} \\ \frac{1}{\sqrt{vol({{A}_{j}})}} & {{v}_{i}}\in {{A}_{j}} \\ \end{matrix} \right.$

那么我们对于 ${{h}_{i}}^{T}L{{h}_{i}}$ ,有： ${{h}_{i}}^{T}L{{h}_{i}}=\frac{cut({{A}_{i}},\overline{{{A}_{i}}})}{vol({{A}_{i}})}$

推导方式和RatioCut完全一致。也就是说，我们的优化目标仍然是

$NCut({{A}_{1}},{{A}_{2}},...,{{A}_{k}})=\sum\limits_{i=1}^{k}{{{h}_{i}}^{T}L{{h}_{i}}}=\sum\limits_{i=1}^{k}{{{({{H}^{T}}LH)}_{i}}}=tr({{H}^{T}}LH)$

但是此时我们的 ${{H}^{T}}H\ne I$ 而且 ${{H}^{T}}DH=I$ .推导如下：

${{h}_{i}}^{T}D{{h}_{i}}=\sum\limits_{j=1}^{n}{{{h}_{ij}}^{2}{{d}_{j}}}=\frac{1}{vol({{A}_{i}})}\sum\limits_{j\in {{A}_{i}}}{{{d}_{j}}}=\frac{1}{vol({{A}_{i}})}vol({{A}_{i}})=1$

也就是说，此时我们的优化目标最终为：

$\underbrace{\arg \min }_{H}tr({{H}^{T}}LH)\begin{matrix} s.t. & {{H}^{T}}DH=I \\ \end{matrix}$

此时我们的 $H$ 中的指示向量 $h$ 并不是标准正交基，所以在RatioCut里面的降维思想不能直接用。怎么办呢？其实只需要将指示向量矩阵 $H$ 做一个小小的转化即可。

我们令 $H={{D}^{-\frac{1}{2}}}F$ , 则： ${{H}^{T}}LH={{F}^{T}}{{D}^{-\frac{1}{2}}}L{{D}^{-\frac{1}{2}}}F$ , ${{H}^{T}}DH={{F}^{T}}F=I$

也就是说优化目标变成了:

$\underbrace{\arg \min }_{F}tr({{F}^{T}}{{D}^{-\frac{1}{2}}}L{{D}^{-\frac{1}{2}}}F)\begin{matrix} s.t. & {{F}^{T}}F=I \\ \end{matrix}$

可以发现这个式子和RatioCut基本一致，只是中间的L变成了 ${{D}^{-\frac{1}{2}}}L{{D}^{-\frac{1}{2}}}$ 。这样我们就可以继续按照RatioCut的思想，求出 ${{D}^{-\frac{1}{2}}}L{{D}^{-\frac{1}{2}}}$ 的最小的前 $k$ 个特征值，然后求出对应的特征向量，并标准化，得到最后的特征矩阵 $F$ ,最后对 $F$ 进行一次传统的聚类（比如K-Means）即可。

一般来说， ${{D}^{-\frac{1}{2}}}L{{D}^{-\frac{1}{2}}}$ 相当于对拉普拉斯矩阵 $L$ 做了一次标准化，即: $\frac{{{L}_{ij}}}{\sqrt{{{d}_{i}}*{{d}_{j}}}}$

7. 谱聚类算法流程

铺垫了这么久，终于可以总结下谱聚类的基本流程了。一般来说，谱聚类主要的注意点为相似矩阵的生成方式（参见第二节），切图的方式（参见第六节）以及最后的聚类方法（参见第六节）。

最常用的相似矩阵的生成方式是基于高斯核距离的全连接方式，最常用的切图方式是Ncut。而到最后常用的聚类方法为K-Means。下面以Ncut总结谱聚类算法流程。

输入：样本集 $D=({{x}_{1}},{{x}_{2}},...,{{x}_{n}})$ ，相似矩阵的生成方式, 降维后的维度 ${{k}_{1}}$ , 聚类方法，聚类后的维度 ${{k}_{2}}$

输出：簇划分 $C({{c}_{1}},{{c}_{2}},...,{{c}_{k2}})$ .

根据输入的相似矩阵的生成方式构建样本的相似矩阵 $S$
根据相似矩阵 $S$ 构建邻接矩阵 $W$ ，构建度矩阵 $D$
计算出拉普拉斯矩阵 $L$
构建标准化后的拉普拉斯矩阵 ${{D}^{-\frac{1}{2}}}L{{D}^{-\frac{1}{2}}}$
计算 ${{D}^{-\frac{1}{2}}}L{{D}^{-\frac{1}{2}}}$ 最小的 ${{k}_{1}}$ 个特征值所各自对应的特征向量 $f$
将各自对应的特征向量 $f$ 组成的矩阵按行标准化，最终组成 $n×{k}_{1}$ 维的特征矩阵 $F$
对 $F$ 中的每一行作为一个 ${{k}_{1}}$ 维的样本，共n个样本，用输入的聚类方法进行聚类，聚类维数为 ${{k}_{2}}$ 。
得到簇划分 $C({{c}_{1}},{{c}_{2}},...,{{c}_{k2}})$ .

8. 谱聚类算法总结

谱聚类算法是一个使用起来简单，但是讲清楚却不是那么容易的算法，它需要你有一定的数学基础。如果你掌握了谱聚类，相信你会对矩阵分析，图论有更深入的理解。同时对降维里的主成分分析也会加深理解。

下面总结下谱聚类算法的优缺点。

谱聚类算法的主要优点有：

1）谱聚类只需要数据之间的相似度矩阵，因此对于处理稀疏数据的聚类很有效。这点传统聚类算法比如K-Means很难做到

2）由于使用了降维，因此在处理高维数据聚类时的复杂度比传统聚类算法好。

谱聚类算法的主要缺点有：

1）如果最终聚类的维度非常高，则由于降维的幅度不够，谱聚类的运行速度和最后的聚类效果均不好。

2) 聚类效果依赖于相似矩阵，不同的相似矩阵得到的最终聚类效果可能很不同。

花雍698

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
谱聚类（spectral clustering）原理总结

谱聚类（spectral clustering）原理总结谱聚类对数据分布的适应性更强，聚类效果优秀，同时聚类的计算量小且实现起来不复杂。引用文章链接：https://blog.csdn.net/yc_1993/article/details/52997074等周长问题：具体为如何在给定长度的线条下围出一个最大的面积，也可理解为，在给定面积下如何使用更短的线条，而这，也正是谱图聚类想法的端倪，如何在给定一张图，拿出“更短”的边来将其“更好”地切分。而这个“更短”的边，正是对应了spectral clu
复制链接

扫一扫