Spectrale Clustering
Spectrale Clustering is een op grafen gebaseerd unsupervised learning-algoritme, geformaliseerd door Ng, Jordan en Weiss in 2002, dat datapunten in een laag-dimensionale eigenruimte projecteert, afgeleid van de Laplaciaan van de similariteitsgraaf, alvorens k-means toe te passen. Deze spectrale inbedding maakt het mogelijk clusters van willekeurige vormen — ringen, halve manen, verstrengelde spiralen — te herstellen die methoden gebaseerd op Euclidische afstand consequent niet kunnen scheiden.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Spectral Clustering via Graph Laplacian Eigenvectors (Ng–Jordan–Weiss Algorithm). ScholarGate. https://scholargate.app/nl/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.
- DBSCANMachine learning↔ compare
- Hiërarchische clusteringMachine learning↔ compare
- K-means ClusteringMachine learning↔ compare
- HoofdcomponentenanalyseMachine learning↔ compare
- t-SNEMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →