Spectral Clustering
Spectral Clustering adalah algoritma pembelajaran tanpa pengawasan berbasis graf, yang diformalkan oleh Ng, Jordan, dan Weiss pada tahun 2002, yang memetakan titik data ke dalam *eigenspace* berdimensi rendah yang berasal dari Laplacian graf kesamaan sebelum menerapkan k-means. *Embedding* spektral ini memungkinkan pemulihan klaster berbentuk sebarang — cincin, bulan sabit, spiral yang saling terkait — yang secara konsisten gagal dipisahkan oleh metode berbasis jarak Euclidean.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Spectral Clustering via Graph Laplacian Eigenvectors (Ng–Jordan–Weiss Algorithm). ScholarGate. https://scholargate.app/id/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.
- DBSCANPembelajaran Mesin↔ compare
- Pengelompokan HirarkisPembelajaran Mesin↔ compare
- Clustering K-meansPembelajaran Mesin↔ compare
- Analisis Komponen UtamaPembelajaran Mesin↔ compare
- t-SNEPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →