如何将给定样本聚类到谱聚类算法计算出的类中心？
假设我们根据谱聚类算法得到了几个带有训练样本的中心{C1(d1, d2...dn), C2...}。如果给出一个新的测试样本向量（x1，...xn），我应该怎么做才能将它放入一个类中？
请注意，我们在谱聚类过程中使用的相似度矩阵不仅基于训练向量之间的欧几里德距离，而且还基于测地距离。所以距离不能只用两个向量来计算，并且类中心也不像K-means那么容易得到。
我得到的一种解决方案是 k-近邻算法。还有其他解决方案吗？
Suppose we got several centers {C1(d1, d2...dn), C2...} with training samples according to spectral clustering algorithm. If a new test sample vector (x1, ... xn) is given, what should I do to get it into a class?
Note that, the similarity matrix we used in spectral clustering process is not only based on Euclidean distance between training vectors but geodesic distance. So the distance can not be calculated with just two vectors, and the class center is not so easy to get as what we can in K-means.
One solution I have got is k-nearest neighbour algorithm. Are there any other solutions?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（1）
在谱聚类的情况下，结果不可更新，因为如果添加另一个实例/向量，则必须通过重新计算亲和力/拉普拉斯矩阵、执行特征分解、然后对简化后的行进行聚类来重复整个过程。矩阵。
In the case of spectral clustering, the result is not updatable in that if you add another instance/vector, you will have to repeat the whole process by recomputing the affinity/laplacian matrix, performing eigen-decomposition, then clustering the rows of the reduced matrix.