Spektrālā klasterizācija
Spektrālā klasterizācija ir uz grafiem balstīts neuzraudzītas mācīšanās algoritms, ko 2002. gadā formalizēja Ng, Džordans un Vaisss. Tas datu punktus pirms k-means lietošanas attēlo zema dimensiju īpašvērtību telpā, kas iegūta no līdzības grafu Laplasiana. Šī spektrālā iegulšana ļauj atgūt jebkuras formas klasterus — gredzenus, pusmēnešus, savstarpēji savītas spirāles —, ko eiklīdiskās attāluma metodes konsekventi nespēj atdalīt.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Spectral Clustering via Graph Laplacian Eigenvectors (Ng–Jordan–Weiss Algorithm). ScholarGate. https://scholargate.app/lv/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.
- DBSCANMašīnmācīšanās↔ compare
- Hierarhiskā klasterizācijaMašīnmācīšanās↔ compare
- K-means klasterizācijaMašīnmācīšanās↔ compare
- Primārā komponentu analīzeMašīnmācīšanās↔ compare
- t-SNEMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →