线性代数|机器学习-P36在图中找聚类

感觉后面几节课的内容跨越太大，需要补充太多的知识点，教授讲得内容跨越较大，一般一节课的内容是书本上的一章节内容，所以看视频比较吃力，需要先预习课本内容后才能够很好的理解教授讲解的知识点。

1. 常见图结构

假设我们有如下图结构：

• Adjacency Matrix:行和列表示的是节点的位置，A[i,j]表示的第 i 个节点和第 j 个节点之间是否有边，如果有边则表示为1，否则为0；那么上述图的矩阵表示如下：
  $$\begin{array}{c}A=\left[\begin{array}{cccc}0& 1& 0& 1\\ & & & \\ 1& 0& 1& 0\\ & & & \\ 0& 1& 0& 1\\ & & & \\ 1& 0& 1& 0\end{array}\right]\end{array}$$
• Degree Matrix : 表示的是节点上边的个数，对角矩阵表示：
  $$\begin{array}{c}D=\left[\begin{array}{cccc}2& 0& 0& 0\\ & & & \\ 0& 2& 0& 0\\ & & & \\ 0& 0& 2& 0\\ & & & \\ 0& 0& 0& 2\end{array}\right]\end{array}$$
• Laplacian Matrix: L=D-A:
  $$\begin{array}{c}L=D-A=\left[\begin{array}{cccc}2& -1& 0& -1\\ & & & \\ -1& 2& -1& 0\\ & & & \\ 0& -1& 2& -1\\ & & & \\ -1& 0& -1& 2\end{array}\right]\end{array}$$

2. 谱聚类

B站大神讲解的比MIT教授清楚些