一、谱聚类的原理
为了避免单个点成一类，加入一些限制条件?
1.1 拉普拉斯矩阵?
只看特征向量就直到有几个独立分区，有多少个连通域（单独区域）就有多少个0
- 拉普拉斯性质?
1.2 切区域
使得两区域之间的权重和最小为目标，以最小数量为约束
求解出特征向量排序，第一个是连通域信息，第二个是补充信息，利用特征向量组成矩阵来进行K-MEANS聚类。?
第一个图是W矩阵，第二个是分割后矩阵
?1.3 降维理解
谱聚类把k*k的矩阵降为了k*n
1.4 Mean Shift聚类
核心思想：一堆点，怎样让一个固定半径的圆尽可能的包含较多的点。将圆的中心随便放在一个位置坐标，计算所包含所有点的平均坐标，圆的中心再移动到平均坐标，再次计算包含所有点的平均坐标，如此重复，直到点中心坐标不再改变为止。 其结果并不是最优的。
?
- 聚类步骤
输入只需要设定圆的半径，并不需要设定多少类，自动去发现。（爬山思想）
假设分类是椭圆?
?
?1.5 DBSCAN
核心思想：水漫金山，基于点与点连接，只要能够连接到就是一类
?
?
二、模型拟合
适用场景
2.1 最小二乘
噪点较少
最小二乘对于噪声特别敏感
- ?加强版的最小二乘
更换损失函数，不再是线性的
非线性的解法?（类似神经网络）
?
?
2.2 霍夫变换（Hough Transform）
核心思想：原始空间的点转化为参数空间的线
坐标系变成角度的?
?
- 三个参数?
?
?
2.3 RANSAC?
每次选两个点计算参数，查看支持者，直到迭代到支持者达到一定的阈值。
- N：计算迭代多少次能够计算出比较满意的拟合
?一般RANSAC之后可以再用一次最小二乘来优化
?
?
?
?