谱聚类在求得L的K1个最小特征值及其对应的特征向量以后,由特征向量组成N*K1维的特征矩阵F,然后还需要将F中的每一行作为一个K1维的样本,共N个样本,进行K-Means聚类。
个人理解,这里的每个特征向量,即F矩阵的每一列,表示一个指示向量h,也即一个簇。而每一行表示一个样本。根据指示向量的定义,属于该簇为非0,不属于为0,则每一行只会出现一个非0值,表示改样本隶属于哪个簇。所以实际上,这步以后已经分出K1个簇,只是由于K1可能很小,所以K1个指示向量并不能指出全部N个样本的分类,所以需要再度聚类。
但问题是,对于未被分类的样本,即该样本不隶属于这K1个簇中的任何一个,那一行必定是全0。那如果用K means来聚类,所有这样的样本必定都是全0,必定都会别聚类到某一个簇里去?那还有什么意义呢。。。。
不知道我说明了白没有。。。疑惑很久了。请大神指教。谢谢!