ch25谱聚类的一些疑惑 about book7_visualizations-for-machine-learning HOT 2 CLOSED

我好像悟了，精髓好像就是这个argmin X^T@L@X代表了遍历每个边，计算边两端点标签的差值平方和，其中X就是你要找的最优分类标签，如果这个X找的足够好，那么遍历的所有边两端点几乎都是一个簇内的，也就是差值平方和为0，只有极少数的边是跨簇的，跨簇的边两端点差值平方和就是对X^T@L@X的主要贡献了，会让X^T@L@X大于0，优化问题就是要让这个大于0的X^T@L@X也尽可能的小，那最小也只能是非0轴的最短的那根轴了，也就是第二小特征值，此时的特征向量就是我们想找的最优簇标签，所以同一个簇的值（也就是标签，也就是特征向量里的元素）都是几乎一样的，不同簇的值是差异很大的

from book7_visualizations-for-machine-learning.

多个（4个）簇的eigen vector就像这样子

from book7_visualizations-for-machine-learning.