谱聚类(spectral clustering)

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。

谱聚类与k-means

对比其他无监督聚类（如kmeans），spectral clustering的优点主要有以下：

1. 过程对数据结构并没有太多的假设要求，如kmeans则要求数据为凸集。
2. 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
3. 由于spectral clustering是对图切割处理，不会存在像kmeans聚类时将离散的小簇聚合在一起的情况。
4. 无需像GMM一样对数据的概率分布做假设

同样，spectral clustering也有自己的缺点，主要存在于构图步骤，有如下：

1. 对于选择不同的similarity graph比较敏感(如 epsilon-neighborhood， k-nearest neighborhood, full connected 等)
2. 对于参数的选择也比较敏感(如epsilon-neighborhood的epsilon，k-nearest neighborhood的k)

参考文献：
谱聚类概述：

https://www.cnblogs.com/nxf-rabbit75/p/10442223.html

谱聚类（spectral clustering)及其实现详解：

https://blog.csdn.net/yc_1993/article/details/52997074