Spectral Clustering
Spectral Clustering è un algoritmo di apprendimento non supervisionato basato su grafi, formalizzato da Ng, Jordan e Weiss nel 2002, che mappa i punti dati in uno spazio-eigenspazio a bassa dimensionalità derivato dal Laplaciano del grafo di similarità prima di applicare k-means. Questo embedding spettrale rende possibile recuperare cluster di forma arbitraria — anelli, mezzelune, spirali intrecciate — che i metodi basati sulla distanza euclidea non riescono costantemente a separare.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Spectral Clustering via Graph Laplacian Eigenvectors (Ng–Jordan–Weiss Algorithm). ScholarGate. https://scholargate.app/it/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.
- DBSCANApprendimento automatico↔ compare
- Clustering gerarchicoApprendimento automatico↔ compare
- Clustering K-meansApprendimento automatico↔ compare
- Analisi delle Componenti PrincipaliApprendimento automatico↔ compare
- t-SNEApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →