Degree Matrix in Spectral Clustering

我目前正在学习谱聚类。

我们分解了拉普拉斯矩阵,该矩阵通过公式 L = D – W 计算得出。

W 是邻接矩阵。

然而,我在网上发现了很多代码,例如谱聚类

它们直接通过 diag(sum(W)) 计算 D。

我知道 D 应该是度矩阵,这意味着对角线上的每个值都是每个点的度数。

但如果 W 是一个加权图,diag(sum(W)) 并不等于实际的“度矩阵”…

为什么他们仍然这样做呢?


回答:

当你处理加权图时,你可以从加权邻接矩阵计算度矩阵,有时权重是有用的,因为它们隐藏了几何信息。此外,如果你有加权邻接矩阵,使用加权邻接矩阵的二进制形式计算度矩阵是很容易的。另外,我认为你的问题更多是理论基础(例如 Mathoverflow),而不是编程基础(例如 stackoverflow) 😉 。无论如何,你应该参考这个 链接 以获得对 L 及其几何关系的更直观的解释。

祝你好运 🙂

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注