该文章主要整理自珠穆拉玛峰的文章《从拉普拉斯矩阵说到谱聚类》,添加了少部分个人理解的文字和公式推导
该文章同步发表于 github 和 github homepage
目录
- 一堆基础概念
- 拉普拉斯矩阵
- 拉普拉斯矩阵的性质
- 谱聚类
- 4.1. 算法思想及优化目标
- 4.2. 构造Laplacian图
- 4.3. 用Cut/Ratio Cut分割子图
- 4.3.1. 优化目标
- 4.3.2. 求解优化问题:最小化RatioCut与最小化 f'Lf 等价
- 补充知识
- *1. 向量的乘法运算
- *1.1. 向量内积(点积)
- *1.2. 向量内积的用途
- *1.3. 向量外积
- *1.4. 向量外积的用途
1. 一堆基础概念
-
单位矩阵
在矩阵中,n阶单位矩阵,是一个 nxn 的方形矩阵,其主对角线元素为1,其余元素为0。单位矩阵以 In 表示;如果阶数可忽略,或可由前后文确定的话,也可简记为I(或者E)。 如下图所示,便是一些单位矩阵:
单位矩阵中的第i列即为单位向量vi,单位向量同时也是单位矩阵的特征向量,特征值皆为1,因此这是唯一的特征值,且具有重数n。由此可见,单位矩阵的行列式为1,且迹数为n。
-
单位向量
向量空间中的单位向量就是长度为 1 的向量
两个单位向量的点积就是它们之间角度的余弦(因为它们的长度都是 1):
补充知识——向量的乘法运算(见后文补充知识)
一个非零向量u→的正规化向量(即单位向量)u^就是平行于u→的单位向量,记作:
这里||u→||是u→的范数(长度)
-
正交与正交矩阵
正交是垂直这一直观概念的推广,若内积空间中两向量的内积(即点积)为0,则称它们是正交的,相当于这两向量垂直,换言之,如果能够定义向量间的夹角,则正交可以直观的理解为垂直
正交矩阵(orthogonal matrix)是一个元素为实数,而且行与列皆为正交的单位向量的方块矩阵(方块矩阵,或简称方阵,是行数及列数皆相同的矩阵)
2. 拉普拉斯矩阵
拉普拉斯矩阵(Laplacian matrix)),也称为基尔霍夫矩阵,是表示图的一种矩阵
给定一个有n个顶点的图 G=(V,E),其拉普拉斯矩阵被定义为 L = D-A,D其中为图的度矩阵,A为图的邻接矩阵
例如给定下图G=(V,E)
把此“图”转换为邻接矩阵的形式,记为A(假设每条边的连接权重均为1):
把W的每一列元素加起来得到N个数,然后把它们放在对角线上(其它地方都是零),组成一个N×N的对角矩阵,记为度矩阵D,如下图所示
根据拉普拉斯矩阵的定义L = D-A,可得拉普拉斯矩阵L 为:
显然,拉普拉斯矩阵都是对称
3. 拉普拉斯矩阵的性质
介绍拉普拉斯矩阵的性质之前,首先定义两个概念,如下:
- 对于邻接矩阵,定义图中A子图与B子图之间所有边的权值之和如下:
其中,定义 w ij为节点 i 到节点 j 的权值,如果两个节点不是相连的,权值为零
- 与某结点邻接的所有边的权值和定义为该顶点的度d,多个d 形成一个度矩阵(对角阵)
拉普拉斯矩阵L具有如下性质:
L 是对称半正定矩阵;
-
L * v1→ = 0 * v1→,即 L 的最小特征值是 0,相应的特征向量是 v1→
证明: L * v1→ = (D-W) * v1→ = 0 = 0 * v1→
特征值和特征向量的定义:
若数字λ和非零向量v→满足
则v→为A的一个特征向量,λ是其对应的特征值
-
L 有n个非负实特征值
-
对于任何一个属于实向量 f∈Rn,有以下式子成立
其中
下面,来证明下上述结论,如下:
4. 谱聚类
4.1. 算法思想及优化目标
谱聚类本质上就是将聚类问题转换为图论问题
从图论的角度来说,聚类的问题就相当于一个图的分割问题。即给定一个图G = (V, E),顶点集V表示各个样本,带权的边表示各个样本之间的相似度,谱聚类的目的便是要找到一种合理的分割图的方法,使得分割后形成若干个子图,连接不同子图的边的权重(相似度)尽可能低,同子图内的边的权重(相似度)尽可能高。物以类聚,人以群分,相似的在一块儿,不相似的彼此远离。
至于如何把图的顶点集分割/切割为不相交的子图有多种办法,如:
cut/Ratio Cut
Normalized Cut
不基于图,而是转换成SVD能解的问题
优化目标为:让被割掉各边的权值和最小
因为被砍掉的边的权值和越小,代表被它们连接的子图之间的相似度越小,隔得越远,而相似度低的子图正好可以从中一刀切断。
4.2. 构造Laplacian图
(1)先要构造相似度矩阵,任意两个对象xi和xj,其相似度基于高斯核函数(也称径向基函数核)计算相似度定义为:
距离越大,代表其相似度越小
相似度矩阵就是Laplacian图的邻接矩阵W
根据邻接矩阵W可以得到度矩阵
最后Laplacian矩阵为L=D-W
(2)子图A的指示向量如下:
4.3. 用Cut/Ratio Cut分割子图
4.3.1. 优化目标
如何切割才能得到最优的结果呢?
要把图片分割为几个区域(或若干个组),要求是分割所得的 Cut 值最小,相当于那些被切断的边的权值之和最小
设 A1, A2, ..., Ak 为图的几个子集(它们没有交集) ,为了让分割的Cut 值最小,谱聚类便是要最小化下述目标函数:
但很多时候,最小化cut 通常会导致不好的分割。以分成2类为例,这个式子通常会将图分成了一个点和其余的n-1个点。如下图所示,很明显,最小化的smallest cut不是最好的cut,反而把{A、B、C、H}分为一边,{D、E、F、G}分为一边很可能就是最好的cut:
为了让每个类都有合理的大小,目标函数尽量让 A1, A2, ..., Ak 足够大。改进后的目标函数为:
其中| A i |表示 A i 组中包含的顶点数目
或者也可以将优化目标定义为最小化Ncut:
其中
4.3.2. 求解优化问题:最小化RatioCut与最小化 f'Lf 等价
现在来研究一下将图划分为两个子图A和A-的问题
目标函数:
定义向量 f = (f1, f22, ..., fm ) ∈ R n,且
根据之前得到的拉普拉斯矩阵矩阵的性质,已知
现在把 f i 的定义式代入上式,我们将得到一个非常有趣的结论!推导过程如下:
我们竟然从 f'Lf 推出了 RatioCut ,换句话说,拉普拉斯矩阵L 和我们要优化的目标函数RatioCut 有着密切的联系,于是我们的优化目标变成了:
补充知识
*1. 向量的乘法运算
*1.1. 向量内积(点积)
使用矩阵乘法并把(纵列)向量当作n×1 矩阵,点积还可以写为:
向量内积性质
向量内积的物理意义
向量内积的物理意义是,力通过位移做功
*1.2. 向量内积的用途
-
求两个非零向量的夹角
-
判断两个非零向量是否垂直
简单的对应坐标相乘再求和,结果为0就垂直,否则就不垂直
*1.3. 向量外积
通过坐标进行外积的直接计算比较复杂,写成行列式的形式,再展开,方便记忆
向量外积的性质
向量外积的几何意义
再除以2的话,就是以 a,b 为边的三角形的面积
*1.4. 向量外积的用途
求与三角形面积相关的问题
参考资料:
(1) CSDN·珠穆拉玛峰《从拉普拉斯矩阵说到谱聚类》
(2) CSDN·鹅城惊喜师爷《【线性代数】向量的乘法运算》
(3) 行者无疆兮.csdn【图论】拉普拉斯矩阵(Laplacian matrix)