ScholarGate
Βοηθός
Machine learning

Φασματική Ομαδοποίηση

Η Φασματική Ομαδοποίηση είναι ένας αλγόριθμος μη επιβλεπόμενης μάθησης βασισμένος σε γράφους, που τυποποιήθηκε από τους Ng, Jordan και Weiss το 2002, ο οποίος αντιστοιχίζει σημεία δεδομένων σε έναν ιδιοχώρο χαμηλής διάστασης που προκύπτει από τον Λαπλασιανό του γράφου ομοιότητας, πριν από την εφαρμογή του k-means. Αυτή η φασματική ενσωμάτωση καθιστά δυνατή την ανάκτηση ομάδων αυθαίρετου σχήματος — δακτυλίων, ημισελήνων, πλεγμένων σπειρών — τις οποίες οι μέθοδοι που βασίζονται στην Ευκλείδεια απόσταση αποτυγχάνουν σταθερά να διαχωρίσουν.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

+5 more

Πηγές

  1. Ng, A. Y., Jordan, M. I., & Weiss, Y. (2002). On Spectral Clustering: Analysis and an Algorithm. Advances in Neural Information Processing Systems, 14, 849–856. link
  2. von Luxburg, U. (2007). A Tutorial on Spectral Clustering. Statistics and Computing, 17, 395–416. DOI: 10.1007/s11222-007-9033-z
  3. Shi, J., & Malik, J. (2000). Normalized Cuts and Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8), 888–905. DOI: 10.1109/34.868688

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Spectral Clustering via Graph Laplacian Eigenvectors (Ng–Jordan–Weiss Algorithm). ScholarGate. https://scholargate.app/el/machine-learning/spectral-clustering

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Αναφέρεται από

ScholarGateSpectral Clustering (Spectral Clustering via Graph Laplacian Eigenvectors (Ng–Jordan–Weiss Algorithm)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/spectral-clustering · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026