La distancia euclidiana entre instancias se utiliza ampliamente para capturar la estructura de los datos y para la reducción de dimensionalidad basada en grafos. Sin embargo, en algunas circunstancias, la distancia euclidiana básica no puede capturar con precisión la similitud entre instancias; algunas instancias de diferentes clases pero cercanas al límite de decisión pueden estar cerca una de la otra, lo que puede llevar a un error en la reducción de dimensionalidad basada en grafos y comprometer el rendimiento. Para mitigar este problema, en este artículo, propusimos un enfoque llamado Mapas Eigen de Laplaciano basado en Similitud Ajustada por Agrupamiento (LE-CAS). LE-CAS primero realiza agrupamiento en todas las instancias para explorar la estructura global y la discriminación de las instancias, y cuantifica la similitud entre los centros de los grupos. Luego, ajusta la similitud entre instancias emparejadas multiplicando la similitud entre los centros de los grupos a los que pertenecen respectivamente estas dos instancias. De esta manera, si dos instancias son de diferentes grupos, la similitud entre ellas se reduce; de lo contrario, no cambia. Finalmente, LE-CAS realiza reducción de dimensionalidad basada en grafos (a través de Mapas Eigen de Laplaciano) basada en la similitud ajustada. Realizamos estudios empíricos exhaustivos en conjuntos de datos de UCI y mostramos que LE-CAS no solo tiene un mejor rendimiento que otros métodos comparativos relevantes, sino que también es más robusto a los parámetros de entrada.