转自： http://blog.csdn.net/aspirinvagrant/article/details/41700025

谱聚类算法

  谱聚类算法由于其算法流程简单、计算简洁与 Kmeans 算法相比不容易陷入局部最优解，能够对高维度、非常规分布的数据进行聚类。谱聚类算法是利用图谱理论来进行算法分析，思想是把数据分析问题看成是图的最优分割问题，将数据样本看成是各个数据点，然后将数据点描绘成一个图表，根据图表关系计算出相应的相似矩阵，找到一种最优分割方法计算出相似矩阵的最小特征向量，最后利用相应算法得出最后的聚类结果。

  谱聚类算法是将样本点看成为一个个顶点，将顶点之间用带权的边连接起来，带权的边可以看成是顶点之间的相似度。聚类从而可以看成如何分割这些带权的边，继而将聚类问题转化为怎么进行图分割的问题，但是如果这样的话新的问题又产生了，那就是怎样找到一种最优方法来划分这个图，才能使同组之间的样本权重尽可能高，不同组的权重尽可能的低。权重太低的边是多余的就要舍去，常用保留边的方法是要建立最邻近图谱，在最邻近图谱中每个顶点只与K 个相似度最高的点连接，其余的边是要舍弃的边。

  建立最邻近图谱的方法就是把聚类问题转化为图分割的问题，转化之后就存在两个问题：（1）数据点与数据点之间的相似度的定义；（2）建立最邻近图谱之后要从哪条边或者从哪些边分割最优。

相似度表示方法

  数据点之间的相似程度由边的权重表示，常用方法的有余弦相似度、高斯函数。

余弦相似度

高斯函数

图分割算法

常用的分割方法有：

最小分割法（Minimum Cut）

  假如将一个图G 划分为A，B 两个子图， 那么目标函数可以理解为。此种方法对于规范的数据利用目标函数对图像进行分割效果较好，但对于非规范的数据此目标函数会出现偏向最小分割的结果。

规范化分割（Normalized Cut）

  其中Cut(A,B)表示 A，B 两个子图的相似程度，sumA 表示 A 图中所有点的权值之和，规范化分割方法对于非规范的数据也比较试用。

最小最大分割准则（Min-max Cut）

  最小最大分割准则要求最小化Cut（A,B）的同时，最大化sum(A,A)与sum（B,B）。

比例分割法（Ratio Cut）

  其中|A|，|B|分别表示子图 A，B中顶点的个数，目标 Rcut 函数只简单考虑到如何使 A，B两个子图间的相似性最小，这样可以减少分割的次数。

谱聚类分割方法

谱聚类分割方法如下：

（1）根据输入数据构建相似矩阵W；

（2）利用相似矩阵W 计算出对角矩阵D和规范化Laplacian 矩阵L； 关于Laplacian矩阵请参考图的Laplacian矩阵。

（3）计算出矩阵L前K个最小特征值及其对应的特征向量，组成新的矩阵，矩阵的行数为样本数N，列数为K；

（4）利用Kmeans 算法进行聚类。

参考资料：
（1）A Tutorial on Spectral Clustering
（2）Learning Spectral Clustering
（3）Spectral Clustering