它的主要思想是把所有的数据看做空间中的点，这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高，通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。
构建邻接矩阵W的方法有三类。ϵ-邻近法，K邻近法和全连接法。
ϵ-邻近法：两点间的权重要不就是ϵ,要不就是0，没有其他的信息，距离远近度量很不精确。
K邻近法：
全连接法：可以选择不同的核函数来定义边权重，常用的有多项式核函数，高斯核函数和Sigmoid核函数。最常用的是高斯核函数RBF，此时相似矩阵和邻接矩阵相同：
拉普拉斯矩阵L=D−W。D即为我们第二节讲的度矩阵，它是一个对角矩阵，而W即为我们第二节讲的邻接矩阵。
对于任意的向量f,我们有
例子一
1.以下是简单的用KNN方式获得的相似度矩阵
标记最接近自己的k个数据，w[i][k] = 1 其实可以用dis_martix来赋值
for idx,each in enumerate(dis_matrix):
index_array = np.argsort(each)
W[idx][index_array[1:k+1]] = 1 # 距离最短的是自己2.接下来是度矩阵
3.根据L跟最后分类的num数，来获得特征向量
eigval,eigvec = getEigVec(L,cluster_num)可以看到是选取最小的num个特征
4.用其他聚类方法进行聚类
例二：
1.用核函数，获取相似矩阵
from sklearn.metrics.pairwise import rbf_kernelW = similarity_function(points)
2.度矩阵
D = np.diag(np.sum(W, axis=1))
3 拉普拉斯矩阵
4.算出前k小的特征向量
5. 用其他聚类算法进行聚类
https://blog.csdn.net/asd991936157/article/details/54314853
例三:
直接sklearn
from sklearn.cluster import spectral_clustering
n_clusters_ = 4 lables = spectral_clustering(metrics_metrix, n_clusters=n_clusters_)
