作者：桂。
时间：2017-04-13 21:19:41
链接：http://www.cnblogs.com/xingshansi/p/6706400.html
声明：欢迎被转载，不过记得注明出处哦~
前言
一、NCut原理
Ncut切图和RatioCut切图很类似，但是把Ratiocut的分母$|Ai|$换成$vol(A_i)$，由于子图样本的个数多并不一定权重就大，我们切图时基于权重也更合我们的目标，因此一般来说Ncut切图优于RatioCut切图。
$vol(A): = \sum\limits_{i \in A}d_i$
对应的，Ncut切图对指示向量h做了改进。注意到RatioCut切图的指示向量使用的是$\frac{1}{\sqrt{|A_j|}}$标示样本归属，而Ncut切图使用了子图权重$\frac{1}{\sqrt{vol(A_j)}}$来标示指示向量h，定义如下:
那么我们对于$h_i^TLh_i$有：
推导方式和RatioCut完全一致。也就是说，我们的优化目标仍然是
但是此时我们的$H^TH \neq I$而是$H^TDH = I$，推导如下：
也就是说，此时我们的优化目标最终为：
这个就是泛化瑞利熵的求解问题，之前文章分析过。这里再次给出细节分析。
令$H = D^{-1/2}F$，则优化目标转化为：
至此已经完成了NCut的理论。
画蛇添足一下吧，注意到：
事实上，连拉普拉斯矩阵都懒得构造了。
二、NCut算法实现
首先给出算法步骤：
给出代码实现：
sigma2 = 0.01;
%%Step1: Calculate matrixs
for i = 1:N
for j =1:N
W(i,j) = exp(-sqrt(sum((X(i,:)-X(j,:)).^2))/2/sigma2);
end
end
W = W-diag(diag(W));% adjacency matrix
D = diag(sum(W)); %degree matrix
%%Step2:Eigenvalues decomposition
K = 3;
[Q,V] = eigs(D^(-1/2)*W*D^(-1/2),K);
%%Step3:New matrix Q
Q = Q./repmat(sqrt(diag(Q'*Q)'),N,1);
[idx,ctrs] = kmeans(Q,K);
结果图：
测试一下，按数据为3类进行谱聚类，可以看出来还是有效的，谱聚类中高斯权重涉及到$\sigma$如何取值，不过这里就不做进一步讨论了。
参考：