AFFINITY PROPAGATION相似传播聚类

最新推荐文章于 2023-11-23 20:55:12 发布

artemisrj

最新推荐文章于 2023-11-23 20:55:12 发布

阅读量2.3k

点赞数 1

分类专栏：机器学习

本文链接：https://blog.csdn.net/artemisrj/article/details/50983676

版权

Affinity Propagation是一种无需预设聚类数目的算法，它利用数据点之间的相似度进行聚类。在AP中，所有数据点都有可能成为聚类中心（exemplar），通过迭代更新responsibilities（数据点被接纳为聚类中心的能力）和availabilities（数据点选择某聚类中心的适合程度），直到找到高质量的聚类中心。参考度（preference）影响聚类数量，算法通过调整参考度可以增加或减少聚类数目。

摘要由CSDN通过智能技术生成

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。
这个聚类算法，基础是置信传播，在邻近节点之间传播massage.
message分成两种，一类是responsibilities,代表从 exemplar 接纳数据点的能力，另外一类是availabilities，。
这里写图片描述

这里写图片描述
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。