关于A Tutorial on Spectral Clustering的解读
[论文](https://pan.baidu.com/s/1Q7h-WagYS_XXh3QYnK3RNg
提取码：o7tu
复制这段内容后打开百度网盘手机App，操作更方便哦)
1、介绍
相比与传统的聚类算法如k-means，single linkage,spectral clustering有更好的基础性优势。
single linkage：要提到AGNES，AGNES是一种自底向上的聚类方法，它把每个样本都看成一类，再把距离相近的类别进行合并，不断重复该过程，直到达到规定类别数。最近距离由两个类的最近样本决定(single linkage)，最远距离由两个类的最远样本决定（complete-linkage）。
2、相似图
原始问题是：由一些样点x1,x2,…xn,和一些表示相似度的sij（sij 大于等于0)，聚类出相似的样本点，不相似的样本点彼此分开，于是引入相似图（G(V,E)）,当两点之间的相似度大于0或者大于某个阈值时，我们就把这两点连接起来，边的权重用sij表示。
然后问题转化为：将图划分为几个部分，使不同部分之间的边权重尽量小，每个部分内部的边权重尽量大。
2.1 图的标号
定义图G（V，E）是由样本点集V={v1,v2,v3,…,vn}组成的无向图，两个点之间的边权重是非负数，定义图的邻接矩阵W（wij）i,j=1,2,…,n，当vi和vj之间没有边相连时，wij=0，同时因为是无向的，所以W是对称矩阵，即wij=wji。
定义节点的度为： d i = ∑ j = 1 n w i j d_i=\sum_{j=1}^n w_{ij} di=j=1∑nwij
定义度矩阵为D，是对角矩阵，D=diag(d1,d2,…dn)
指示向量 1 A 1_A 1A=(f1,f2,f3,…,fn)T ∈ R n \in R^n ∈Rn，当vi在A中时，fi=1，其他情况fi=0
注意：下面我们用缩写 i ∈ A i \in A i∈A表示{
i i i| v i v_i vi ∈ A \in A ∈A}
对于两个可能相交的子集合： W ( A , B ) : = ∑ i ∈ A ， j ∈ B w i j W(A,B):=\sum_{i\in A，j\in B} w_{ij} W(A,B):=i∈A，j∈B∑wij
我们考虑两种方法来定义子集A的“大小”： ∣ A ∣ : = A 中 点 的 数 量 |A|:=A中点的数量 ∣A∣:=A中点的数量 v o l ( A ) : = ∑ i ∈ A d i vol(A):=\sum_{i\in A} d_i vol(A):=i∈A∑di
2.2 不同的相似图
这里有一些流行的办法，能将给定的成对的相似点转化为相似图。先连接点，再对边加权。
1、 ϵ \epsilon ϵ 邻域图
我们将距离小于 ϵ \epsilon ϵ的点连接起来，由于所有相似点间距离大致都为 ϵ \epsilon ϵ，所以这种对边进行加权的方法，并不能反映两点相似程度的差异，所以通常用这个方法处理无权图。
2、k近邻图
在连接时要构造无向的图（无向图才能使邻接矩阵W对称）有两种方法：
第一种方法是如果 v i v{_{i}} vi在 v j v{_{j}} vj的k个领域中或者 v j v{_{j}} vj在 v i v{_{i}} vi的k个领域中，则 w i j = w j i w{_{ij}}=w{_{ji}} wij=wji为 v i v{_{i}} vi与 v j v{_{j}} vj之间的距离，否则为 w i j = w j i = 0 w{_{ij}}=w{_{ji}}=0 wij=wj
最低0.47元/天 解锁文章
868
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
