聚类（5）-- Spectral clustering

Spectral clustering （谱聚类）是一种比较现代的聚类方法，基于图的分割（Graph cut）。不同于k-means需要数据点分布在N维欧式空间，谱聚类只需要知道数据点之间的相似性矩阵，就可进行运算，而不需要数据必须来自欧式空间。

谱聚类通过对于由数据相似性矩阵出发构造的数据Laplacian矩阵进行谱分解，实现数据降维，即实现在新的低维特征空间中，数据可分度提高。

维基百科中对于谱分解的定义如下：

线性代数中，特征分解（Eigendecomposition），又称谱分解（Spectral decomposition）是将矩阵分解为由其特征值和特征向量表示的矩阵之积的方法。

为了更加透彻的理解谱聚类，首先大概介绍下特征值和特征向量相关知识。

维基百科中对于特征值和特征向量的定义如下：

N 维非零向量 v 是 N×N 的矩阵 A 的特征向量，当且仅当下式成立：

其中 λ 为一标量，称为 v 对应的特征值。也称v 为