高维多数据聚类（sklearn.cluster.affinityPropagation）和降维（manifold.LocallyLinearEmbedding）

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表一类数据的样本。

表征变量：适合度responsibility r(i,k)，归属度availability a(i,k),样本i选择样本k作为它的典型代表（exemplar）的累计证据

二、 降维
manifold.LocallyLinearEmbedding
返回高维数据的地位投影，保持各个节点之间的相对位置不变。可以看成是一系列通过全局比较一找到最佳非线性嵌入的局部主成分分析，