خوشهبندی طیفی (Spectral Clustering)
خوشهبندی طیفی یک الگوریتم یادگیری بدون نظارت مبتنی بر گراف است که در سال ۲۰۰۲ توسط Ng، Jordan و Weiss فرموله شد. این الگوریتم نقاط داده را به یک فضای ویژه کمبعد که از لاپلاسین گراف شباهت مشتق شده است، نگاشت میکند و سپس از الگوریتم k-means استفاده میکند. این جاسازی طیفی امکان بازیابی خوشههایی با شکل دلخواه — حلقهها، هلالیها، مارپیچهای درهمتنیده — را فراهم میکند که روشهای مبتنی بر فاصله اقلیدسی به طور مداوم در تفکیک آنها شکست میخورند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
منابع
- 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 ↗
- von Luxburg, U. (2007). A Tutorial on Spectral Clustering. Statistics and Computing, 17, 395–416. DOI: 10.1007/s11222-007-9033-z ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Spectral Clustering via Graph Laplacian Eigenvectors (Ng–Jordan–Weiss Algorithm). ScholarGate. https://scholargate.app/fa/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.
- دیبیاسکنیادگیری ماشین↔ compare
- خوشهبندی سلسلهمراتبییادگیری ماشین↔ compare
- خوشهبندی K-meansیادگیری ماشین↔ compare
- تحلیل مؤلفههای اصلییادگیری ماشین↔ compare
- تی-اسانای (t-SNE)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →