Graph 基于图数据的SVM聚类
我尝试使用SVM进行聚类。我有社交网络图表数据。在我的数据中,节点相互连接。我想使用图邻接矩阵作为SVM的输入数据。我的SVM输入数据如下。我的主要问题是图形数据中的社区检测 是否可以使用支持向量机对图形数据进行聚类。你能给我一些方法吗。我是SVM的初学者Graph 基于图数据的SVM聚类,graph,machine-learning,cluster-analysis,svm,Graph,Machine Learning,Cluster Analysis,Svm,我尝试使用SVM进行聚类。我有社交网络图表数据。在我的数据中,节点相互连接。我想使用图邻接矩阵作为SVM的输入数据。我的SVM输入数据如下。我的主要问题是图形数据中的社区检测 是否可以使用支持向量机对图形数据进行聚类。你能给我一些方法吗。我是SVM的初学者 1 1:0 2:1 3:1 4:1 5:1 2 1:1 2:0 3:1 4:1 5:0 3 1:1 2:1 3:0 4:1 5:0 4 1:1 2:1 3:1 4:0 5:0 5 1:1 2:0 3:0 4:0 5:0 支持向量机不
1 1:0 2:1 3:1 4:1 5:1
2 1:1 2:0 3:1 4:1 5:0
3 1:1 2:1 3:0 4:1 5:0
4 1:1 2:1 3:1 4:0 5:0
5 1:1 2:0 3:0 4:0 5:0
支持向量机不能进行聚类,可以发现多类支持向量机等变异。另一方面,支持向量机聚类存在,它与支持向量机的方法略有不同,但很接近。我不知道有哪个软件包提供这种算法,到目前为止它还不是很有名。正如许多人指出的那样,一般来说,SVM是用于分类的。尽管存在基于支持向量机的聚类算法,该算法与原始支持向量机类似,可以使用,它允许您处理各种类型的数据,包括图形(图形核)。邻接矩阵是图相似性的一种很差的表示形式(除非你真的对非常简单的现象感兴趣,但是使用基于SVM的方法似乎有点太多了。相信Okhanm的剃刀——最简单的方法是最好的,我建议使用简单的聚类方法,如果它们是不充分的,那么考虑切换到SVM聚类。” 我强烈建议阅读关于这个主题的论文,因为这并不像看上去那么容易,但它是一个研究得很好的主题:
- Michel Neuhaus,Horst Bunke:从图编辑距离导出的随机行走核。SSPR/SPR 2006:191-199
- S.V.N.Vishwanathan,Karsten M.Borgwardt,Nicol N.Schraudolph:图核的快速计算。NIPS 2006:1449-1456
对于实现本身,matlab库(已经提到)位于此处:您可以执行以下操作:
编辑:语法等。有几篇文章讨论了支持向量聚类;下面是我正在尝试评估的一篇: 此外,在此处发现一个R包: