谱聚类(spectral clustering) python可视化实现

算法python实现：

对于公式的推导什么的个人的理解并不是很深，下面直接说说这个算法的实现吧：

1. 首先，因为这个算法其实最先是叫做谱方法，用于社区挖掘或者图挖掘，所以要用在聚类上，你需要一种东西来对样本直接进行连接，实现一个类似于图一样的结构，这里使用knn，就是前k个近邻就有连通，其他就没有。这样我们就能得到矩阵W，不过，有一个小问题，点a的k近邻中有b，但是b的k近邻可能是没有a的，这个时候，为了让矩阵W是一个对称矩阵，我们采用一个或原则，将W=(W+WT)/2

，这个就能得到一个对称的相似性矩阵了。

第二步很简单，算出每个节点的度数，得到度矩阵D。

3. 得到拉普拉斯矩阵L=D−W，              。

4. 获得拉普拉斯矩阵L的特征矩阵，这个用内置函数就好。
   

5. 获得特征矩阵之后，我们使用kmeans方法来对特征矩阵进行一个聚类，每个特征向量是特征矩阵的列，而每行当成一个聚类样本。这样一聚类就是最终的成果了。为了图方便，我这里直接使用sklearn中的KMeans函数来调用：
   

好了，到这里基本就大功告成了，分类基本已经完成了，最后来一波可视化，看看我们的实验结果，因为谱聚类能对球形数据进行聚类，所以我们直接来试试球形数据集：

参考:https://blog.csdn.net/pp8818/article/details/61623730

源码参考:https://github.com/PP8818/Python-Projects/tree/master/py2/data-mining/clustering/spectral_cluster