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。
AP聚类算法是将每个数据看成图中的一个节点,迭代的过程即是在图中通过传播信 息来找到聚类集合。本文计算两个数据点的相似度采用距离的负数,也就是说距离越近,相似度越大。相似矩阵S中i到j的相似度就是刚刚所说的距离的负数。但是主对角线上的那些数表示的是某个点和自身的相似度,但是这里我们不能直接用0来表示。根据算法要求,主对角线上的值s(k,k)一般称为偏向参数,一般 情况下对所有k,s(k,k)都相等,取非主对角线上的所有数的中位数。这个值很重要,他的大小与最后得到的类的数目有关,一般而言这个数越大,得到的类的数目就越多。
这里为什么要设定一个偏向参数而不直接用0来算呢,估计是因为AP聚类算法是要 用图论的一些东西来理解的,它把所有的点都看成一个图中的节点,通过节点之间的信息传递来达到聚类的效果。具体比较复杂,形象一点说就是我告诉你我和这些人是死党,如果你认为你也是我死党的话,那你就加入我们这一堆人里面来吧!
有一些详细的原理上的东西就不说了,直接说计算过程吧。。聚类就是个不断迭代的过程,迭代的过程主要更新两个矩阵,代表(Responsibility)矩阵R = [r(i,k)]N×N和适选(Availabilities)矩阵A=[a(i,k)]N×N。这两个矩阵才初始化为0,N是所有样本的数目。r(i,k)表示第k个样本适合作为第i个样本的类代表点的代表程度,a(i,k)表示第i个样本选择第k个样本作为类代表样本的适合程度。迭代更新公式如下:
每次更新后就可以确定当前样本i的代表样本(exemplar)点k,k就是使{a(i,k)+r(i,k)}取得最大值的那个k,如果i=k的话,那么说明样本i就是自己这个cluster的类代表点,如果不是,那么说明i属于k所属的那个cluster。
当然,迭代停止的条件就是所有的样本的所属都不在变化为止,或者迭代了n次都还没有变化(n的值可以自己取)。
说起来还有一种判断点属于属于哪一类的方法,就是找出所有决策矩阵主对角线元素{a(k,k)+r(k,k)}大于0的所有点,这些点全部都是类代表点,之后在决定其余的点属于这里面的一类。这两种方法的结果我没比较过诶,不知是不是一样的。
另外还有一点就是AP聚类算法迭代过程很容易产生震荡,所以一般每次迭代都加上一个阻尼系数λ:
rnew(i,k) = λ*rold(i,k) + (1-λ)*r(i,k)
anew(i,k) = λ*aold(i,k) + (1-λ)*a(i,k)
- # coding:utf-8
-
- from sklearn.datasets.samples_generator import make_blobs
- import matplotlib.pyplot as plt
- import random
- import numpy as np
-
- ##############################################################################
- # Generate sample data
- centers = [[1, 1], [-1, -1], [1, -1]]
- X, labels_true = make_blobs(n_samples=1000, centers=centers, cluster_std=0.4,
- random_state=0)
-
- ##############################################################################
-
-
- def euclideanDistance(X, Y):
- """计算每个点与其他所有点之间的欧几里德距离"""
- X = np.array(X)
- Y = np.array(Y)
- # print X
- return np.sqrt(np.sum((X - Y) ** 2))
-
-
-
- def computeSimilarity(datalist):
-
- num = len(datalist)
-
- Similarity = []
- for pointX in datalist:
- dists = []
- for pointY in datalist:
- dist = euclideanDistance(pointX, pointY)
- if dist == 0:
- dist = 1.5
- dists.append(dist * -1)
- Similarity.append(dists)
-
- return Similarity
-
-
- def affinityPropagation(Similarity, lamda):
-
- #初始化 吸引矩阵 和 归属 矩阵
- Responsibility = np.zeros_like(Similarity, dtype=np.int)
- Availability = np.zeros_like(Similarity, dtype=np.int)
-
- num = len(Responsibility)
-
- count = 0
- while count < 10:
- count += 1
- # update 吸引矩阵
-
- for Index in range(num):
- # print len(Similarity[Index])
- kSum = [s + a for s, a in zip(Similarity[Index], Availability[Index])]
- # print kSum
- for Kendex in range(num):
- kfit = delete(kSum, Kendex)
- # print fit
- ResponsibilityNew = Similarity[Index][Kendex] - max(kfit)
- Responsibility[Index][Kendex] = lamda * Responsibility[Index][Kendex] + (1 - lamda) * ResponsibilityNew
-
- # print "Responsibility", Responsibility
-
-
- # update 归属矩阵
-
- ResponsibilityT = Responsibility.T
-
- # print ResponsibilityT, Responsibility
-
- for Index in range(num):
-
- iSum = [r for r in ResponsibilityT[Index]]
-
- for Kendex in range(num):
-
- # print Kendex
- # print "ddddddddddddddddddddddddddd", ResponsibilityT[Kendex]
- #
- ifit = delete(iSum, Kendex)
- ifit = filter(isNonNegative, ifit) #上面 iSum 已经全部大于0 会导致 delete 下标错误
-
- # k == K 对角线的情况
- if Kendex == Index:
- AvailabilityNew = sum(ifit)
- else:
- result = Responsibility[Kendex][Kendex] + sum(ifit)
- AvailabilityNew = result if result > 0 else 0
- Availability[Kendex][Index] = lamda * Availability[Kendex][Index] + (1 - lamda) * AvailabilityNew
- print "###############################################"
- print Responsibility
- print Availability
- print "###############################################"
- return Responsibility + Availability
-
- def computeCluster(fitable, data):
- clusters = {}
- num = len(fitable)
- for node in range(num):
- fit = list(fitable[node])
- key = fit.index(max(fit))
- if not clusters.has_key(key):
- clusters[key] = []
- point = tuple(data[node])
- clusters[key].append(point)
-
- return clusters
- ##############################################################################
-
- """切片删除 返回新数组"""
- def delete(lt, index):
- lt = lt[:index] + lt[index+1:]
- return lt
-
- def isNonNegative(x):
- return x >= 0
-
-
- ##############################################################################
-
- Similarity = computeSimilarity(X)
-
- Similarity = np.array(Similarity)
-
- print "Similarity", Similarity
-
- fitable = affinityPropagation(Similarity, 0.34)
-
- print fitable
-
- clusters = computeCluster(fitable, X)
-
- # print clusters
-
- ##############################################################################
- clusters = clusters.values()
-
- print len(clusters)
-
- ##############################################################################
- def plotClusters(clusters, title):
- """ 画图 """
- plt.figure(figsize=(8, 5), dpi=80)
- axes = plt.subplot(111)
- col=[]
- r = lambda: random.randint(0,255)
- for index in range(len(clusters)):
- col.append(('#%02X%02X%02X' % (r(),r(),r())))
- color = 0
- for cluster in clusters:
- cluster = np.array(cluster).T
- axes.scatter(cluster[0],cluster[1], s=20, c = col[color])
- color += 1
- plt.title(title)
- # plt.show()
- ##############################################################################
- plotClusters(clusters, "clusters by affinity propagation")
- plt.show()
-
- ##############################################################################