Machine learning 如何将给定样本聚类到谱聚类算法计算的类中心？

假设我们根据谱聚类算法得到多个具有训练样本的中心{C1（d1，d2…dn），C2…}。如果给出了一个新的测试样本向量（x1，…xn），我应该怎么做才能使它进入一个类

注意，我们在谱聚类过程中使用的相似矩阵不仅基于训练向量之间的欧几里德距离，而且基于测地距离。因此，距离不能仅用两个向量来计算，而类中心也不像K-means那样容易得到

---

我得到的一个解决方案是k-最近邻算法。还有其他解决方案吗？

在光谱聚类的情况下，结果是不可更新的，因为如果添加另一个实例/向量，则必须通过重新计算亲和度/拉普拉斯矩阵、执行特征分解来重复整个过程，然后对简化矩阵的行进行聚类。

使用谱聚类方法，您不会“得到多个中心”你通常会根据与相似矩阵拉普拉斯算子第二大特征值相关联的特征向量得到一个二元划分。你能给我们一些关于你使用哪种光谱聚类算法的详细信息吗？@StompChicken:我想“什么样的sc”是指我使用哪种拉普拉斯算子或什么样的我选择的距离矩阵。@StompChicken：我们有一个图G=。这里的每个向量表示一个训练样本，两个向量之间边上的权重表示它们之间的距离，这服从三角形不等式。基于这些，我们可以使用谱聚类算法将这些节点（向量）划分为若干簇。现在我们有了一个新的测试节点，我们可以得到测试节点和图中每个现有节点之间的距离或权重。问题是我们能否快速获得它的标签？