Spectrale clustering

Spectrale clustering begint door paarsgewijze gelijkenis weer te geven in een grafiek. Waarnemingen zijn knooppunten, en randen verbinden soortgelijke punten met gewichten die affiniteit weerspiegelen. Een Laplace-grafiek vat deze connectiviteit samen. Eigenvectoren geassocieerd met geselecteerde Laplace-eigenwaarden bieden een lager-dimensionale representatie waarin grafiekverbonden groepen gemakkelijker te scheiden zijn. Een laatste stap wijst clusterlabels toe, vaak met k-means of een andere methode. De methode kan niet-convexe structuren verwerken omdat deze gebruik maakt van grafische connectiviteit in plaats van alleen te vertrouwen op afstanden tot een zwaartepunt in de oorspronkelijke objectruimte. Voor twee geneste ringen kunnen lokale overeenkomsten elke ring coderen als een verbonden groep, ook al zijn de groepen niet lineair te scheiden door een eenvoudige, op het centrum gebaseerde partitie. De eigenvector-inbedding helpt die structuur te onthullen. Meestal wordt het aantal clusters opgegeven, zodat het algoritme modelselectiebeslissingen niet verwijdert. De affiniteitsgrafiek is een centrale modelleringskeuze. Het kan een RBF-kernel gebruiken die afneemt met de kwadratische afstand, een dichtstbijzijnde buurgrafiek of een vooraf berekende symmetrische gelijkenismatrix. Kernelbreedte of aantal buren bepaalt de locatie van de grafiek. Als de randen te dun zijn, kan een groep fragmenteren; als het te dicht is, raken verschillende regio's met elkaar verbonden. Functieschaling en afstandsmetriek beïnvloeden welke paren als vergelijkbaar worden beschouwd. Een grafiek met meerdere niet-verbonden componenten kan ook de interpretatie van genormaliseerde clustering veranderen. Spectrale methoden vereisen eigenwaardeberekeningen en kunnen kostbaar zijn voor matrices met grote dichte affiniteit. Schaarse grafieken en geschikte oplossers kunnen helpen, maar rekengemak mag niet alleen de affiniteit bepalen. Een laatste stap voor het toewijzen van labels introduceert aanvullende keuzes en mogelijk willekeurige initialisatie. Evalueer de stabiliteit binnen redelijke grafiekinstellingen, vergelijk standvastige of domeingebaseerde bruikbaarheid en inspecteer de gevoeligheid voor initialisatie. De eigenvectoren zijn een weergave van de grafiek, geen directe semantische verklaringen van groepen. Spectrale clustering kan een bruikbare structuur vinden, maar garandeert niet dat de gekozen clusters overeenkomen met echte categorieën.