完整word版,AP近邻传播聚类算法原理及Matlab实现.pdf资源-CSDN文库

版权申诉

12 浏览量 2022-11-11 19:31:01 上传评论收藏 371KB PDF 举报

资源推荐

资源详情

资源评论

AP 近邻传播聚类算法原理及 Matlab 实现

Affinity Propagation (AP)聚类是 2007 年在 Science 杂志上提出的一种新的聚类算法。它根据 N 个数据点

之间的相似度进行聚类，这些相似度可以是对称的，即两个数据点互相之间的相似度一样(如欧氏距离);也

可以是不对称的，即两个数据点互相之间的相似度不等。这些相似度组成N×N 的相似度矩阵 S(其中 N 为

有 N 个数据点)。

AP 算法不需要事先指定聚类数目，相反它将所有的数据点都作为潜在的聚类中心，称之为exemplar。

以 S 矩阵的对角线上的数值 s(k, k)作为 k 点能否成为聚类中心的评判标准，这意味着该值越大，这个点成

为聚类中心的可能性也就越大，这个值又称作参考度p( preference)。聚类的数量受到参考度 p 的影响，如

果认为每个数据点都有可能作为聚类中心，那么p 就应取相同的值。如果取输入的相似度的均值作为p 的

值，得到聚类数量是中等的。如果取最小值，得到类数较少的聚类。

AP 算法中传递两种类型的消息，(responsiility)和(availability)。r(i,k)表示从点 i 发送到候选聚类中心 k

的数值消息，反映 k 点是否适合作为 i 点的聚类中心。a(i,k)则从候选聚类中心 k 发送到 i 的数值消息，反映

i 点是否选择 k 作为其聚类中心。r(i, k)与 a (i, k)越强，则 k 点作为聚类中心的可能性就越大，并且 i 点隶属

于以 k 点为聚类中心的聚类的可能性也越大。AP 算法通过迭代过程不断更新每一个点的吸引度和归属度值，

直到产生 m 个高质量的 exemplar，同时将其余的数据点分配到相应的聚类中。

在这里介绍几个文中常出现的名词：

exemplar：指的是聚类中心。

similarity：数据点 i 和点 j 的相似度记为 S(i，j)。是指点 j 作为点 i 的聚类中心的相似度。

preference：数据点 i 的参考度称为 P(i)或 S(i,i)。是指点 i 作为聚类中心的参考度。一般取 S 相似度值

的中值。

Responsibility：R(i,k)用来描述点 k 适合作为数据点 i 的聚类中心的程度。

Availability：A(i,k)用来描述点 i 选择点 k 作为其聚类中心的适合程度。

Damping factor：阻尼系数，主要是起收敛作用的。

机器学习中一个很重要的方面就是聚类算法。聚类算法说白了就是给你一大堆点的坐标（维度可以是

很高的），然后给你一个距离度量的准则（比如欧拉距离，马氏距离什么的），然后你要自动把相近的点

放在一个集合里面，归为一类。

继续科普：一个比较传统的聚类算法就是 k-Means 聚类，算法很简单，哦，说起这件事，我刚刚在整

理东西时就发现了一篇讲到 k-Means 的论文，里面又是一大堆看不懂的符号，我说你们真的有必要那么装

逼么？？

比如说下面这幅图，有这么多个点，我们强大的大脑可以瞬间分辨出这里有三个团簇，一般术语叫

cluster。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余4页未读，立即下载

内容反馈

版权申诉

xxpr_ybgg

粉丝: 6501
资源: 3万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip