11 聚类算法 - 密度聚类 - DBSCAN、MDCA
12 聚类算法 - 代码案例五 - 密度聚类(DBSCAN)算法案例
十、谱聚类概述
谱聚类是基于谱图理论基础上的一种聚类方法，与传统的聚类方法相比：具有在任意形状的样本空间上聚类并且收敛于全局最优解的优点
通过对样本数据的拉普拉斯矩阵的特征向量进行聚类，从而达到对样本数据进行聚类的目的；其本质是将聚类问题转换为图的最优划分问题，是一种点对聚类算法。
谱聚类算法将数据集中的每个对象看做图的顶点V，将顶点间的相似度量化为相应顶点连接边E的权值w，这样就构成了一个基于相似度的无向加权图G(V,E)，于是聚类问题就转换为图的划分问题。基于图的最优划分规则就是子图内的相似度最大，子图间的相似度最小。
谱聚类的构建过程主要包含以下几个步骤：
1、构建表示对象相似度的矩阵W。
2、构建度矩阵D(对角矩阵)；
3、构建拉普拉斯矩阵L。
4、计算矩阵L的前k个特征值的特征向量(k个列向量)；
5、将k个列向量组成矩阵U。
6、对矩阵U中的n行数据利用K-means或其它经典聚类算法进行聚类得出最终结果。
拉普拉斯矩阵变形
1、拉普拉斯矩阵
2、对称拉普拉斯矩阵
3、随机游走拉普拉斯矩阵
谱聚类应用场景及面临的问题
应用场景:
图形聚类、计算机视觉、非凸球形数据聚类等。
面临的问题:
1、相似度矩阵的构建问题：业界一般使用高斯相似函数或者k近邻来作为相似度量，一般建议 使用k近邻的方式来计算相似度权值。
2、聚类数目的给定。
3、如何选择特征向量。
4、如何提高谱聚类的执行效率。
根据经验来说，谱聚类的分类效果还是比较好的，但前提还是得调参调得好。
记住真言：无论模型有多好，只要参数调得不给力，神仙也救不了你。
谱聚类推导 一
谱聚类推导 二
谱聚类推导 三
谱聚类推导 四
