Spektrinen klusterointi
Spektrinen klusterointi on graafipohjainen ohjaamaton oppimisalgoritmi, jonka Ng, Jordan ja Weiss formalisoivat vuonna 2002. Se kuvaa datapisteet mataladimensionaaliseen ominaisavaruuteen, joka on johdettu samankaltaisuusgraafin Laplacesta ennen k-means-algoritmin soveltamista. Tämä spektrinen upotus mahdollistaa mielivaltaisen muotoisten klustereiden – renkaiden, puolikuun muotoisten alueiden, lomittuneiden spiraalien – erottamisen, joita euklidiseen etäisyyteen perustuvat menetelmät eivät johdonmukaisesti pysty erottamaan.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Spectral Clustering via Graph Laplacian Eigenvectors (Ng–Jordan–Weiss Algorithm). ScholarGate. https://scholargate.app/fi/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.
- DBSCANKoneoppiminen↔ compare
- Hierarkkinen ryvästyminenKoneoppiminen↔ compare
- K-means-klusterointiKoneoppiminen↔ compare
- PääkomponenttianalyysiKoneoppiminen↔ compare
- t-SNEKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →