Spectral Clustering（谱聚类）

它的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。

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。

ϵ-邻近法：两点间的权重要不就是ϵ,要不就是0，没有其他的信息，距离远近度量很不精确。

K邻近法：

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：

 

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。

对于任意的向量f,我们有

 

例子一

1.以下是简单的用KNN方式获得的相似度矩阵

标记最接近自己的k个数据，w[i][k] = 1 其实可以用dis_martix来赋值
for idx,each in enumerate(dis_matrix):
    index_array  = np.argsort(each)
    W[idx][index_array[1:k+1]] = 1  # 距离最短的是自己

2.接下来是度矩阵

3.根据L跟最后分类的num数，来获得特征向量

eigval,eigvec = getEigVec(L,cluster_num)

可以看到是选取最小的num个特征

4.用其他聚类方法进行聚类

例二：

1.用核函数，获取相似矩阵

from sklearn.metrics.pairwise import rbf_kernel

W = similarity_function(points)

2.度矩阵

D = np.diag(np.sum(W, axis=1))

3 拉普拉斯矩阵

4.算出前k小的特征向量

5. 用其他聚类算法进行聚类

https://blog.csdn.net/asd991936157/article/details/54314853

例三:

直接sklearn

from sklearn.cluster import spectral_clustering

n_clusters_ = 4
lables = spectral_clustering(metrics_metrix, n_clusters=n_clusters_)

http://www.cnblogs.com/lc1217/p/6963687.html