对AP（Affinity Propagation）聚类算法的理解

最新推荐文章于 2024-03-22 13:10:23 发布

lixi__liu

最新推荐文章于 2024-03-22 13:10:23 发布

阅读量2w

点赞数 10

分类专栏：机器学习

本文链接：https://blog.csdn.net/lixi__liu/article/details/48470173

版权

本文深入解析AP（Affinity Propagation）聚类算法，区别于传统算法，AP视所有节点为潜在中心，通过节点间通信确定最佳中心。介绍AP的核心思想，输入为相似度矩阵，通过吸引度和归属度消息传递决定聚类。吸引度r(i,k)衡量节点k对i的吸引力，归属度a(i,k)表示i选择k为聚类中心的合适度。文章探讨了计算公式背后的逻辑，为进一步实现并行化计算奠定基础。" 136431506,14298101,使用vue2和electron29构建跨平台桌面应用的实战指南,"['前端开发', 'Electron', 'Vue']

摘要由CSDN通过智能技术生成

这段时间因为工作需要，了解了一些聚类算法，发现目前国内的一些资料中对于AP（Affinity Propagation）聚类算法的描述和理解局限在列举公式，说明计算流程层面，没有去深入解读，为什么要这样设计公式，以及AP的核心思想。

首先简要介绍一下AP算法，跟其他聚类算法的不同之处是，AP在开始时，将所有节点都看成潜在的聚类中心，然后通过节点之间的通信，去找出最合适的聚类中心，并将其他节点划分到这些中心下去，所以我们可以认为，AP算法所要做的事情就是去发现这些聚类中心。

AP的输入是一个节点间的相似度矩阵，S，其中S(i,j)表示节点i和节点j之间的相似度，也表明了，j作为i的聚类中心的合适程度，这个相似度的计算可以根据具体应用场景，这里未免误导不作相似度的假设。其中S(k,k)表示节点k作为k的聚类中心的合适程度，可以理解为，节点k成为聚类中心合适度，在最开始时，这个值是初始化的时候使用者给定的值，会影响到最后聚类的数量。

AP中节点间传递的消息为两类：吸引度和归属度。