谱聚类为什么要用到kmeans
谱聚类算法的面临的问题 尽管谱聚类具有坚实的理论基础，相对于其它聚类方法具有许多优势，在实践中的应用领域在不断扩展，取得了不错的效果[38]，但是它仍然需要改进，尤其在下述几个方面：如何创建相似度矩阵W，使其更加真实地反映数据点之间的近似关系，使得相近点之间的相似度更高，相异点之间的相似度更低，是谱聚类算法必须要解决的一个问题。高斯相似函数（Wij=exp(-|xi-xj|^2/2σ^2)）是经典谱聚类算法中计算两点间相似度的常用方法，虽然该函数使原始的谱聚类算法取得了一些成功，但尺度参数σ的选取问题使该函数具有明显的局限性。NJW算法[7]通过预先指定几个尺度参数σ的值，分别执行谱聚类，最后选取使聚类结果最好的σ作为参数，这种做法消除了尺度参数σ选取的人为因素，却增加了运算时间。近年来，为了避免参数的选择问题，有学者提出在计算相似度时不使用高斯核函数。如Gong 等人[41]借鉴Wang Fei和Zhang Changshui[42]在半监督中使用的方法，将每个点的k 近邻对该点进行线性近似表示时所占的权重作为两点间的相似度。通过求n 个二次规划问题，就可以求得相似度矩阵W，降低了谱聚类算法对参数的敏感性，使算法更稳定。在谱聚类算法的聚类过程中需要求解矩阵的特征值与特征。
如何评价聚类结果的好坏？ 一直就觉得聚类，甚至是无监督学习结果的评价方法在理论上不那么令人信服。不像有监督学习那样可以有一…
用于数据挖掘的聚类算法有哪些，各有何优势？ 这个问题我也想过，想的不太系统。比较分类算法的话，大概考虑这几个维度：时间空间复杂度，鲁棒性，参数…
