谱聚类（spectral clustering）原理总结

谱聚类（spectral clustering）是广泛使用的聚类算法，比起传统的K-Means算法，谱聚类对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时，个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就对谱聚类的算法原理做一个总结。

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。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。

　　　　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。

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GG，我们一般用点的集合VV和边的集合EE来描述。即为G(V,E)G(V,E)。其中VV即为我们数据集里面所有的点(v1,v2,...vn)(v1,v2,...vn)。对于VV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wijwij为点vivi和点vjvj之间的权重。由于我们是无向图，所以wij=wjiwij=wji。

　　　　对于有边连接的两个点vivi和vjvj，wij>0wij>0,对于没有边连接的两个点vivi和vjvj，wij=0wij=0。对于图中的任意一个点vivi，它的度didi定义为和它相连的所有边的权重之和，即

di=∑j=1nwijdi=∑j=1nwij

 

　　　　利用每个点度的定义，我们可以得到一个nxn的度矩阵DD,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=⎛⎝⎜⎜⎜⎜⎜d1…⋮……d2⋮………⋱dn⎞⎠⎟⎟⎟⎟⎟D=(d1………d2…⋮⋮⋱……dn)

 

　　　　利用所有点之间的权重值，我们可以得到图的邻接矩阵WW，它也是一个nxn的矩阵，第i行的第j个值对应我们的权重wijwij。

　　　　除此之外，对于点集VV的的一个子集A⊂VA⊂V，我们定义：

|A|:=子集A中点的个数|A|:=子集A中点的个数

vol(A):=∑i∈Adivol(A):=∑i∈Adi

 

3. 谱聚类基础之二：相似矩阵

　　　　在上一节我们讲到了邻接矩阵WW，它是由任意两点之间的权重值wijwij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？

　　　　基本思想是，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SS来获得邻接矩阵WW。

　　　　构建邻接矩阵WW的方法有三类。ϵϵ-邻近法，K邻近法和全连接法。

　　　　对于ϵϵ-邻近法，它设置了一个距离阈值ϵϵ，然后用欧式距离sijsij度量任意两点xixi和xjxj的距离。即相似矩阵的sij=||xi−xj||22sij=||xi−xj||22,  然后根据sijsij和ϵϵ的大小关系，来定义邻接矩阵WW如下：

 

Wij={0ϵsij>ϵsij≤ϵWij={0sij>ϵϵsij≤ϵ

 

　　　　从上式可见，两点间的权重要不就是ϵϵ,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ϵϵ-邻近法。

　　　　第二种定义邻接矩阵WW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wij>0wij>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SijSij

 

Wij=Wji={0exp(−||xi−xj||222σ2)xi∉KNN(xj)andxj∉KNN(xi)xi∈KNN(xj)orxj∈KNN(xi)Wij=Wji={0xi∉KNN(xj)andxj∉KNN(xi)exp(−||xi−xj||222σ2)xi∈KNN(xj)orxj∈KNN(xi)

 

　　　　第二种K邻近法是必须两个点互为K近邻中，才能保留SijSij

 

Wij=Wji={0exp(−||xi−xj||222σ2)xi∉KNN(xj)orxj∉KNN(xi)xi∈KNN(xj)andxj∈KNN(xi)Wij=Wji={0xi∉KNN(xj)orxj∉KNN(xi)exp(−||xi−xj||222σ2)xi∈KNN(xj)andxj∈KNN(xi)

 

　　　　第三种定义邻接矩阵WW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：

Wij=Sij=exp(−||xi−xj||222σ2)Wij=Sij=exp(−||xi−xj||222σ2)

 

　　　　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−WL=D−W。DD即为我们第二节讲的度矩阵，它是一个对角矩阵。而WW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：

　　　　1）拉普拉斯矩阵是对称矩阵，这可以由DD和WW都是对称矩阵而得。

　　　　2）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。

　　　　3）对于任意的向量ff,我们有

fTLf=12∑i,j=1nwij(fi−fj)2fTLf=12∑i,j=1nwij(fi−fj)2

 

　　　　　　这个利用拉普拉斯矩阵的定义很容易得到如下：

 

fTLf=fTDf−fTWf=∑i=1ndif2i−∑i,j=1nwijfifjfTLf=fTDf−fTWf=∑i=1ndifi2−∑i,j=1nwijfifj

=12(∑i=1ndif2i−2∑i,j=1nwijfifj+∑j=1ndjf2j)=12∑i,j=1nwij(fi−fj)2=12(∑i=1ndifi2−2∑i,j=1nwijfifj+∑j=1ndjfj2)=12∑i,j=1nwij(fi−fj)2

 

　　　　4) 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=λ1≤λ2≤...≤λn0=λ1≤λ2≤...≤λn， 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GG的切图，我们的目标是将图G(V,E)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：A1,A2,..AkA1,A2,..Ak，它们满足Ai∩Aj=∅Ai∩Aj=∅,且A1∪A2∪...∪Ak=VA1∪A2∪...∪Ak=V.

　　　　对于任意两个子图点的集合A,B⊂VA,B⊂V, A∩B=∅A∩B=∅, 我们定义A和B之间的切图权重为：

W(A,B)=∑i∈A,j∈BwijW(A,B)=∑i∈A,j∈Bwij

 

　　　　那么对于我们k个子图点的集合：A1,A2,..AkA1,A2,..Ak，我们定义切图cut为：

cut(A1,A2,...Ak)=12∑i=1kW(Ai,A¯¯¯¯i)cut(A1,A2,...Ak)=12∑i=1kW(Ai,A¯i)

 

 　　　　其中A¯¯¯¯iA¯i为AiAi的补集，意为除AiAi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(A1,A2,...Ak)cut(A1,A2,...Ak), 但是可以发现，这种极小化的切图存在问题，如下图：

　　　　我们选择一个权重最小的边缘的点，比如C和H之间进行cut，这样可以最小化cut(A1,A2,...Ak)cut(A1,A2,...Ak), 但是却不是最优的切图，如何避免这种切图，并且找到类似图中"Best Cut"这样的最优切图呢？我们下一节就来看看谱聚类使用的切图方法。

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(A1,A2,...Ak)cut(A1,A2,...Ak)，它还同时考虑最大化每个子图点的个数，即：

RatioCut(A1,A2,...Ak)=12∑i=1kW(Ai,A¯¯¯¯i)|Ai|RatioCut(A1,A2,...Ak)=12∑i=1kW(Ai,A¯i)|Ai|

 

　　　　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hj={h1,h2,..hk}j=1,2,...khj={h1,h2,..hk}j=1,2,...k,对于任意一个向量hjhj, 它是一个n维向量（n为样本数），我们定义hjihji为：

 

hji=⎧⎩⎨01|Aj|√vi∉Ajvi∈Ajhji={0vi∉Aj1|Aj|vi∈Aj

 

　　　　那么我们对于hTiLhihiTLhi,有：

 

hTiLhi=12∑m=1k∑n=1kwmn(him−hin)2=12(∑m∈Ai,n∉Aiwmn(1|Ai|−−−√−0)2+∑m∉Ai,n∈Aiwmn(0−1|Ai|−−−√)2=12(∑m∈Ai,n∉Aiwmn1|Ai|+∑m∉Ai,n∈Aiwmn1|Ai|=12(cut(

转载于:https://www.cnblogs.com/zhengxingpeng/p/6670484.html