Основные цели данной работы – исследовать и сравнить качество кластеризации алгоритмом k-средних и методом Уорда на случайных графах, сгенерированных на основе стохастической блочной модели, и нескольких реальных датасетах. Чтобы повысить качество кластеризации, для каждого алгоритма строились спрямляющие пространства при помощи ряда нелинейных ядер и их логарифмированных версий. Метод-победитель определялся голосованием по правилу Коупленда. Аналогично сравнивались результаты кластеризации на реальных датасетах и исследовалась устойчивость методов при добавлении шума в структуры реальных графов.