近邻传播 Affinity Propagation(AP) 聚类算法原理及实现

1.概述

      机器学习中 AP(Affinity Propagation)通常被称为近邻传播算法或者密切度传播或类同传播算法，由 Frey 与Dueck于2007年在Science首次提出。AP算法的基本思想是将全部数据点都当作潜在的聚类中心(称之为exemplar)，然后数据点两两之间连线构成一个网络(相似度矩阵)，再通过网络中各条边的消息(responsibility和availability)传递计算出各样本的聚类中心（cluster center）。

2.算法原理

2.1 算法思想

     不同于K均值聚类等算法需要提前设置簇数量K，这种方法自动确定簇的数量。对于聚类对象中每个数据点都选择另一个数据点作为其范例(exemplar)或质心（centroid）。更准确地说，让表示数据点   的簇中心,表示数据点的总数量。优化对象是最大化如下函数