1)谱聚类只需要数据之间的相似度矩阵,因此对于处理稀疏数据的聚类很有效。这点传统聚类算法比如K-Means很难做到 2)由于使用了降维,因此在处理高维数据聚类时的复杂度比传统聚类算法好。 谱聚类算法的主要缺点有: 1)如果最终聚类的维度非常高,则由于降维的幅度不够,谱聚类的运行速度和最后的聚类效果均不好。 2) ...
51CTO博客已为您找到关于谱聚类算法的优缺点的相关内容,包含IT学习相关文档代码介绍、相关教程视频课程,以及谱聚类算法的优缺点问答内容。更多谱聚类算法的优缺点相关解答可以来51CTO博客参与分享和学习,帮助广大IT技术人实现成长和进步。
谱聚类可以在任意形状的样本空间聚类,且收敛于全局最优解,因此在处理高维数据方面存在着明显优势。总的来说,该算法存在一些不足之处。算法在聚类之前需要设置具体应用的尺度参数,通常需要一些经验。初始聚类中心对整个聚类效果影响很大,存在初始值敏感问题。很难找到图划分的优化解,聚类数目对于整个聚类效果有很大影响。
1)如果最终聚类的维度非常高,则由于降维的幅度不够,谱聚类的运行速度和最后的聚类效果均不好。 2)聚类效果依赖于相似矩阵,不同的相似矩阵得到的最终聚类效果可能很不同。 谱聚类可以与谱图分区相联系,在谱图分区中,常用一个图的拉普拉斯矩阵的第二个特征向量来定义一个半最优分割(semi-optimal cut),可以证明这个...
缺点: 1.最终的效果依赖相似矩阵,不同的相似矩阵结果差别比较大。 2.如果聚类的维度很高,可能因为降维幅度不够,谱聚类的运行速度和最后的聚类效果均不好。 8.总结 综上所述,谱聚类是一种基于图的算法。先把样本数据看成图的顶点,根据数据点之间的距离构造边,形成带权重的图,然后通过对图进行处理来完成算法所需...