##  [Spektrale Clusteranalyse](/de/node/57795) 

 Definition

Eine Clusterverfahren, das aus paarweisen Affinitäten eine Similaritätsmatrix aufbaut, eine niedrigdimensionale Einbettung aus den niederfrequenten orthogonalen Modi dieser Matrix berechnet und anschließend ein Standard-Teilungsalgorithmus im eingebetteten Raum anwendet.

 

 

 

 

 

 





## Prinzip

Prinzip

Globale kombinatorische Gruppeninformation wird mittels dominanter glatter Modi eines Similaritätsoperators in eine kontinuierliche niedrigdimensionale Geometrie überführt, wodurch komplexe Clusterformen im Einbettungsraum linear trennbar werden.

 

 

 

 

 





## Demonstration

Demonstration

Eine symmetrische Affinitätsmatrix aus Punktähnlichkeiten für das Two-Moons-Datenset konstruieren, einige niederfrequente Modi der Matrix extrahieren, Punkte mit diesen Modi einbetten und k-means anwenden, um die zwei gekrümmten Cluster zu identifizieren.

 

 

 

 

## Fehlanwendung

Fehlanwendung

Verwendung einer Affinitätsmatrix mit ungeeigneter Skalierung oder einer inkonsistenten Modauswahl, sodass die Einbettung Skala und Rauschen vermischt, oder Anwendung ohne sinnvolle Similaritätsmessung zwischen Objekten.

 

 

 

 

 





## Konsequenz

Konsequenz

Kann nichtkonvexe oder manifoldartige Cluster mit deutlich weniger Fehlern als distanzbasierte Methoden im Originalraum erkennen, zu dem Preis, den Affinitätsoperator aufzubauen und zu zerlegen.

 

 

 

 

## Umkehrung

Umkehrung

Direkte Partitionierung im ursprünglichen Merkmalsraum mittels lokaler Distanzkriterien, die bei nicht linear trennbaren Strukturen versagen kann.

 

 

 

 

 





## Abgrenzung

Abgrenzung

Erfordert eine definierte paarweise Similaritätsstruktur und ein Verfahren zur Berechnung der Matrixmodi; schließt Fälle aus, in denen nur paarweise Dissimilaritäten ohne Einbettung vorliegen oder keine sinnvolle Affinität gebildet werden kann.

 

 

 

 

 





## Semantische Spannung

Semantische Spannung

Dichtebasierte Clusterverfahren versus spektrales Einbetten: Dichtemethoden finden Cluster durch lokale Konzentration, während spektrales Clustering globale glatte Modi nutzt, um latente Trennungen sichtbar zu machen.

 

 

 

 

 





## Synthese

Synthese

Spektrales Clustering wandelt paarweise Affinitäten mittels der glatten Modi eines Similaritätsoperators in eine niedrigdimensionale lineare Geometrie um und partitioniert dann diese Geometrie, um Cluster zu finden, die im Originalraum schwer zu trennen sind.