矩阵即图的新视角
上一章我们学习了如何用邻接矩阵表示图。 这一章，我们要反过来思考：很多我们熟悉的矩阵， 比如成对距离矩阵、协方差矩阵、相关性系数矩阵， 都可以看作是图的邻接矩阵！
这个观察为我们提供了分析数据的全新视角： 每个矩阵都隐藏着一张图，每张图都揭示着数据间的关系。
✦
19.1
成对距离矩阵
距离矩阵即完全图
给定n个样本点，计算它们两两之间的欧氏距离，得到一个n×n的成对距离矩阵。 这个矩阵可以看作一个完全图的邻接矩阵，其中边的权重就是距离。
📊 完全图
• 定义：每两个节点之间都有边连接
• 边数：n(n-1)/2
• 距离矩阵：对称矩阵，主对角线为0
颜色映射
红色 = 距离近 | 蓝色 = 距离远
✂️ 阈值切割
通过设定距离阈值，可以"切割"数据：
阈值 = 10：完全图，所有点都连接
阈值 = 6：部分连接，出现簇
阈值 = 4：明显分为两簇
💡 这就是聚类的基本思想！
✦
19.2
亲近度矩阵：高斯核函数
将距离转化为"亲近度"
通过高斯核函数，我们可以把距离"翻转"成亲近度： 距离越小，亲近度越大；距离越大，亲近度越小。 这个转换在机器学习中应用广泛。
高斯核函数的魔力
📐 数学公式
K(d) = exp(-d² / 2σ²)
• d：距离
• σ：核宽度参数
• K：亲近度 ∈ [0, 1]
• σ：核宽度参数
• K：亲近度 ∈ [0, 1]
🎚️ 参数 σ 的作用
σ 小：快速衰减，局部影响
σ 中：平衡衰减，适中影响
σ 大：缓慢衰减，全局影响
🔧 应用场景
• 核方法（SVM）
• 谱聚类
• 高斯过程
• 特征工程
✦
19.3
相关性系数矩阵
每个相关性矩阵，都是一副图
相关性系数矩阵、协方差矩阵、格拉姆矩阵都可以看作图的邻接矩阵。通过设定阈值并二值化， 我们可以将连续的相关性值转换为离散的连接关系。
🎯 真实应用：股票相关性网络
在金融领域，我们经常需要分析股票之间的相关性。 通过将相关性系数矩阵转换为图，可以：
1. 发现行业板块
高度相关的股票形成社区，通常属于同一行业
2. 识别关键股票
中心性高的节点是行业的"领头羊"
3. 优化投资组合
选择相关性低的股票，降低风险
4. 检测异常
孤立节点或弱连接可能表示异常行为
✦
本章小结
本章介绍了一个重要观察：很多常见的矩阵都可以看作图的邻接矩阵。 这个视角架起了线性代数、统计学和图论之间的桥梁， 让我们可以用图的工具来分析矩阵数据。
🎯 三种矩阵
1
成对距离矩阵
完全图，边权重=距离，通过阈值切割实现聚类
2
亲近度矩阵（高斯核）
距离→亲近度，参数σ控制影响范围
3
相关性系数矩阵
二值化→邻接矩阵，应用于网络分析
💡 核心洞察
矩阵即图，图即矩阵
有了这个视角，线性代数=图论
✓协方差矩阵 → 变量关系图
✓格拉姆矩阵 → 样本相似度图
✓距离矩阵 → 数据空间图
✨ 统一的视角：数据、矩阵、图 ✨
有数据的地方，必有矩阵
有矩阵的地方，就有图
有图的地方，可见关系
数据 ⇄ 矩阵 ⇄ 图，三位一体