python sklearn库中的AffinityPropagation( )聚类算法主要参数的使用,

最新推荐文章于 2025-03-13 18:16:15 发布
最新推荐文章于 2025-03-13 18:16:15 发布
阅读量1.2w 收藏 33
点赞数 4
分类专栏： 机器学习，python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/manjhOK/article/details/79586791
版权
本文介绍了Python机器学习库sklearn中的AffinityPropagation聚类算法，包括其主要参数如damping、max_iter、convergence_iter等的作用。通过实例展示了如何使用该算法进行数据聚类，并解释了聚类中心的确定和算法复杂度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

class sklearn.cluster.AffinityPropagation(damping=0.5, max_iter=200, convergence_iter=15, copy=True, preference=None, affinity=’euclidean’, verbose=False)

函数参数

    damping : float, optional, default: 0.5,阻尼系数,默认值0.5

    max_iter : int, optional, default: 200,最大迭代次数,默认值是200

    convergence_iter : int, optional, default: 15,在停止收敛的估计集群数量上没有变化的迭代次数。默认15

    copy : boolean, optional, default: True,布尔值,可选,默认为true,即允许对输入数据的复制

    preference : array-like, shape (n_samples,) or float, optional,近似数组,每个点的偏好 - 具有较大偏好值的点更可能被选为聚类的中心点。 簇的数量，即集群的数量受输入偏好值的影响。 如果该项未作为参数，则选择输入相似度的中位数作为偏好

    affinity : string, optional, default=``euclidean``目前支持计算预欧几里得距离。 即点之间的负平方欧氏距离。

最低0.47元/天 解锁文章
【Python机器学习】零基础掌握AffinityPropagation聚类
Mr数据杨
10-13 766
AffinityPropagation 是一种自动确定簇数的聚类算法。该算法通过传递样本之间的“亲和力”来形成簇，无需预先设定簇的数量。优点总结：AffinityPropagation 的最大优点是其能自动确定最优的簇数，这在很多应用场景中是非常有用的。此外，其灵活性和易用性也是其受欢迎的原因。优点名称描述说明自动确定簇数无需预先设定簇的数量，算法会自动找到最优的簇数灵活性可以用于各种类型的数据和应用场景易于理解和实现算法的基本概念和实现相对直观和简单。
用Python实现的10种聚类算法汇总
分享Python、数据分析、人工智能前沿知识
06-30 1330
聚类是一种无监督学习问题。它经常用来在输入数据的特征空间中寻找分组，例如基于顾客行为将消费者分组。聚类算法有很多种，没有哪一种聚类算法适用于所有的问题。不过，有必要去探究多种聚类算法，以及每种算法的不同配置，这样在遇到问题时才能做出合适的选择。在本文中，你将会了解如何选择合适的聚类算法，并且使用python和scikit-learn去实现它们。
常见聚类算法及使用--Affinity Propagation（AP）
june_young_fan的博客
11-02 4111
对于聚类算法，大家应该都已经略知一二，比如说它是无监督，不需要标签来监督它的学习，我们需要的是在特定场景下将这些未被标注的数据进行自然分组。聚类是在输入数据的特征空间中查找自然组的无监督问题；对于所有数据集，有许多不同的聚类算法和单一的最佳方法；在机器学习库的Python中如何实现、适配和使用顶级聚类算法。AP聚类算法与经典的K-Means聚类算法相比，具有很多独特之处：无需指定聚类“数量”参数。
sklearn.cluster.affinity_propagation()结构、用法及AP算法详解
漫步量化
05-05 6839
sklearn.cluster.affinity_propagation()官方文档 sklearn.cluster.affinity_propagation(S, preference=None, convergence_iter=15, max_iter=200, damping=0.5, copy=True, verbose=False, return_n_iter=False) ...
人工智能基础知识笔记四：聚类分析
jimmyleeee的专栏
03-13 892
在原型聚类中，属于某一簇的数据与定义这一簇的原型的点具有更近的距离或更大的相似性，而与属于其他簇的原型点具有较远的距离或较小的相似性。数据点分布密集的区域，拥有较高的密度;在聚类树中，不同类别的原始数据点是树的最低层，树的中间结点是聚合的一些簇，树的根结点对应多数据点的聚类。对于原型聚类算法的实现，通常要先对原型进行初始化，确定每个簇的中心点，然后计算属于每个簇的数据点划分，最后根据新计算的簇，计算更新后的中心点。从聚类的特点上看部分的层次聚类方法有图聚类的特性，另一部分的层次聚类法有原型聚类的特性。
AP聚类算法（Affinity propagation Clustering Algorithm ）
weixin_30715523的博客
01-04 380
AP聚类算法是基于数据点间的"信息传递"的一种聚类算法。与k-均值算法或k中心点算法不同，AP算法不需要在运行算法之前确定聚类的个数。AP算法寻找的"examplars"即聚类中心点是数据集合中实际存在的点，作为每类的代表。 算法描述： 假设$\{ {x_1},{x_2}, \cdots ,{x_n}\} $数据样本集，数据间没有内在结构的假设。令是一个刻画点之间相似度的...
Affinity Propagation Clustering (AP聚类)算法实例演示
临风暖阳的博客
05-09 952
Reference: Brendan J. Frey and Delbert Dueck, “Clustering by Passing Messages Between Data Points”, Science Feb. 2007 输出: Estimated number of clusters: 3 Homogeneity: 0.872 Completeness: 0.872 V-measure: 0.872 Adjusted Rand Index: 0.912 Adjusted...
用Sklearn实现Affinity Propagation Clustering (AP聚类)
songbinxu的博客
05-15 9615
用Sklearn实现Affinity Propagation Clustering (AP聚类)   调用sklearn.cluster.AffinityPropagation即可实现AP聚类，不仅能接受原始数据作为输入，也可以预先计算好相似度矩阵，然后再送入。 原始数据输入 from sklearn.cluster import AffinityPropagation from skl...
【Python实例第18讲】affinity propagation聚类算法
wong2016的博客
11-21 5438
机器学习训练营——机器学习爱好者的自由交流空间（qq 群号：696721295） 在统计和数据挖掘里，affinity propagation(AP)是一种基于数据点之间的“信息传递”的聚类算法。与k-means等其它聚类算法不同的是，AP不需要在聚类前确定或估计类的个数。类似于k-medoids, AP需要寻找原型(exemplars), 即，代表类的输入集里的成员。AP算法广泛应用于计算机...
数据挖掘领域中16-AP聚类算法的Python实现及其应用
最新发布
04-24
文中提供了多个Python代码片段，演示了如何使用sklearn库中的AffinityPropagation模块进行聚类，并解释了关键参数如preference和damping的作用。此外，还展示了如何自定义相似度矩阵以适应不同的应用场景，如推荐...
python 散点图聚类,【聚类算法】10种Python聚类算法完整操作示例(建议收藏
weixin_36484519的博客
03-25 2782
点击上方，选择星标，每天给你送干货！来源：海豚数据科学实验室著作权归作者所有，本文仅作学术分享，若侵权，请联系后台删文处理聚类或聚类分析是无监督学习问题。它通常被用作数据分析技术，用于发现数据中的有趣模式，例如基于其行为的客户群。有许多聚类算法可供选择，对于所有情况，没有单一的最佳聚类算法。相反，最好探索一系列聚类算法以及每种算法的不同配置。在本教程中，你将发现如何在 python 中安装和使用顶...
聚类笔记/sklearn笔记：Affinity Propagation亲和力传播
qq_40206371的博客
11-23 3358
euclidean’使用点之间的负平方欧几里得距离。{‘euclidean’, ‘precomputed’}，默认为‘euclidean’一般使用负的欧式距离，所以 S(i,j) 越大，表示两个点距离越近，相似度也就越高。array-like形状为(n_samples,)或浮点数，默认为None。每个点的偏好 - 具有较大偏好值的点更有可能被选择为典型样本。如果没有传递偏好作为参数，它们将被设置为输入相似度的中值。估计的簇数量没有变化的迭代次数，达到该次数则停止收敛。int，默认为200。
sklearn之AP聚类AffinityPropagation
微小冷的学习笔记
12-29 2703
Affinity Propagation按照字面意思就是亲和力传播，可见这个算法的关键就是亲和力与传播。说到传播，无外乎两件事，第一件事，传的是什么，暂且先不用管，因为名字里已经说了，传的是亲和度；第二件事，怎么传，为了解决这个问题，就必须造一条传递亲和力的通道。
基于图的聚类之-Affinity Propagation（AP）聚类
热门推荐
weixin_41521681的博客
05-24 1万+
基于图的聚类之-Affinity Propagation（AP）聚类 谱聚类和AP聚类是基于图的两种聚类，在这里我写介绍一下AP聚类，下一篇文章介绍谱聚类。 Affinity Propagation Clustering（简称AP算法）是2007提出的，当时发表在Science上《single-exemplar-based》。特别适合高维、多类数据快速聚类，相比传统的聚类算法，该算法算是...
sklearn聚类算法affinity propagation
thompson的博客
07-11 582
affinity propagation 聚类算法
【python】Sklearn—Cluster
bryant_meng
06-15 2004
参考学习来自。
高维多数据聚类（sklearn.cluster.affinityPropagation）和降维（manifold.LocallyLinearEmbedding）
莲君
04-25 3340
一 、聚类 cluster.affinityPropagation 适合高维、多数据快速聚类 不需要指定最终聚类族的个数 对数据的初始值不敏感 对初始相似度矩阵数据的对称性没有要求 和k-centers聚类方法相比，其结果的平方差误差较小 原理：在开始时，将所有节点都看成是聚类中心，通过在样本对之间发消息知道收敛来创建聚类。然后使用少量实例样本作为聚类中心来描述数据集，聚类中心时数据集种最能代...
sklearn中digits手写字体数据集介绍&AffinityPropagation( )聚类算法主要参数的使用
莲君
01-16 875
1.sklearn中digits手写字体数据集介绍: https://blog.csdn.net/Asun0204/article/details/75607948 2.AffinityPropagation( )聚类算法主要参数的使用: https://blog.csdn.net/manjhOK/article/details/79586791 ...
Sklearn聚类算法之Affinity Propagation
代码小菜鸟的博客
12-12 1131
想象这样一个场景：      小A同学今天刚入职。刚进入办公室人脸还不熟就被通知下楼进行消防演习。----背景 到了楼下又被要求站到自己的项目方队去。----聚类 这个时候小A分辨自己是哪个项目的主要办法有两个，第一个是归属信息（都打开窗户瞧瞧我是谁家的啊？把我领回去，我不认门了）第二个是吸引信息（哪个方正美女多我去哪个）。----主要参数 但是归队是一个双向选择，不是小A想去美女多的项目...
python聚类算法多维数据
01-20
### Python 中多维数据聚类算法的实现与应用 #### AP（Affinity Propagation）算法简介及其时间复杂度 AP算法是一种基于消息传递机制的数据聚类方法，其特点在于能够自动确定簇的数量。该算法的时间复杂度相对较高，在单次迭代过程中大约为 O(N³)，这使得它对于大规模数据集的应用受到一定限制[^1]。 #### 参数调整的重要性——阻尼系数的影响 在实际操作中发现，调参的结果特别是阻尼系数的选择会对最终得到的聚类效果产生显著影响。当设置`model = AffinityPropagation(damping=0.5)`时，这里的参数`damping`即代表了所谓的阻尼系数，它的合理范围是在闭区间\[0.5, 1\)内选取适当数值来优化性能表现和收敛速度。 ```python from sklearn.cluster import AffinityPropagation import numpy as np from sklearn.preprocessing import StandardScaler # 创建并标准化随机生成的四维数据样本 X = np.random.random((500, 4)) scaler = StandardScaler() scaled_X = scaler.fit_transform(X) # 构建AP模型实例化对象，并指定必要的超参数配置 affinity_model = AffinityPropagation(damping=0.9) # 进行训练拟合过程以及预测分类标签分配给各个观测点 clusters_labels = affinity_model.fit_predict(scaled_X) unique_clusters = len(np.unique(clusters_labels)) print(f"Number of estimated clusters : {unique_clusters}") ``` 上述代码展示了如何利用sklearn库中的`AffinityPropagation`模块完成一个多维空间下的无监督学习任务；通过设定不同的阻尼因子可以观察到不同模式下产生的聚类结构差异。 #### K-Means 算法应用于二维数据聚类案例分析 除了AP之外，还有其他类型的聚类技术适用于处理更高维度的数据集合。例如K-means就是一种简单而有效的划分型聚类方案，它可以很好地适应于低至高纬的空间分布特征提取工作。下面给出一段简单的例子说明怎样构建一个基本框架来进行此类运算： ```python from sklearn.cluster import KMeans import matplotlib.pyplot as plt # 假设我们有一个已经准备好的二维数组形式的数据源dataSet kmeans = KMeans(n_clusters=3).fit(dataSet) # 设定预期分组数目n_clusters centroids = kmeans.cluster_centers_ labels = kmeans.labels_ colors = ["g.","r.","c."] for i in range(len(dataSet)): plt.plot(dataSet[i][0], dataSet[i][1], colors[labels[i]], markersize = 10) plt.scatter(centroids[:, 0], centroids[:, 1], marker="x", s=150, linewidths=5, zorder=10) plt.show() ``` 此段脚本主要实现了对输入矩阵执行标准欧式距离计算基础上的标准K均值聚类流程，并借助图形可视化工具matplotlib直观呈现出了三个预定义类别中心位置及各自所属成员之间的关系图谱[^2]。 #### 层次聚类介绍及相关函数展示 最后值得一提的是层次聚类(Hierarchical Clustering),这是一种不需要预先知道具体群落数量的方法论体系。相比于前面提到过的两种方式而言，这种方法更侧重于建立一棵树状结构(Tree Structure)或者说Dendrogram用来表示个体间相似程度的变化趋势。以下是有关欧几里得测距功能的一个辅助性子程序定义： ```python def euler_distance(point1: np.ndarray, point2: list) -> float: """ 计算两点间的欧氏距离 Args: point1 (np.ndarray): 第一点坐标向量 point2 (list): 第二点坐标列表 Returns: float: 返回两个节点之间直线长度测量值 """ distance = ((point1 - np.array(point2)) ** 2).sum() ** 0.5 return round(distance, ndigits=2) ``` 这段函数接受任意两处地理位置作为输入参数，然后依据它们各自的笛卡尔直角坐标系表达式求解其间最短路径长度，从而为进一步开展凝聚式或分裂式的层级归并奠定基础[^3]。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值