Das Konzept ist das gleiche, aber Sie werden durch die Art der Daten verwirrt. Spektrale Clusterbildung nach Ng et al. Bei EXPLAIN geht es um das Clustering von Standarddaten, während die Laplace-Matrix eine von Graphen abgeleitete Matrix ist, die in der algebraischen Graphentheorie verwendet wird.
Der Punkt ist also, dass diese Matrix immer dann, wenn Sie die Ähnlichkeit Ihrer Objekte in eine Matrix codieren, für die spektrale Clusterbildung verwendet werden kann.
Wenn Sie über Standarddaten verfügen, z. B. eine Matrix mit Stichprobenmerkmalen, können Sie die Nähe oder Affinität oder wie auch immer Sie sie als Matrix bezeichnen möchten, ermitteln und spektrale Cluster anwenden.
Wenn Sie einen Graphen haben, ist diese Affinität wie eine Adjazenzmatrix, eine Distanzmatrix oder eine Laplace-Matrix. Wenn Sie die Eigenfunktion für eine solche Matrix lösen, erhalten Sie das entsprechende Ergebnis.
Der Sinn der Verwendung von Laplace anstelle von Adjazenz besteht darin, die sogenannte Affinitätsmatrix positiv semidefinit zu halten (und normalisierte Laplace-Matrix ist eine bessere Wahl, da sie normalisierte Eigenwerte zwischen 0 und 2 liefert und die Struktur des Graphen viel besser zeigt).
Kurz gesagt, solange Sie eine Matrix haben, die die Affinität Ihrer Daten enthält, können Sie im Allgemeinen Spektralcluster verwenden. Der Unterschied liegt im Detail (zB die Eigenschaft des normalisierten Laplace, die ich gerade erwähnt habe)