【近邻传播聚类算法(AP算法)】此种聚类算法不需要实现给出聚类数目和聚类中心操作便捷（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据

---

💥1 概述

参考文献：

Clustering by Passing Messages Between Data Points. - 百度学术

https://xueshu.baidu.com/usercenter/paper/show?paperid=bec7ec98ffd8909524e28126ba824091&site=xueshu_se

 近邻传播聚类算法(AP算法)是一种无需预先确定聚类数目和聚类中心的便捷聚类算法。它通过利用数据点之间的相似性来自动确定聚类中心，并且不需要对数据进行任何假设或预处理。这使得该算法在处理大规模数据集时表现出色，并且能够有效地处理非线性和非凸形状的数据分布。与传统的K均值聚类算法相比，AP算法能够更好地适应复杂的数据结构，并且具有更强的鲁棒性和稳定性。因此，近邻传播聚类算法已经成为了许多领域中的首选算法，包括图像分割、社交网络分析和生物信息学等。其简便易用的特点使得该算法在实际应用中具有广泛的应用前景。

📚2 运行结果

部分代码：

    tmpidx=nan*ones(N,1);  %nan Not A Number 代表不是一个数据。数据处理时，在实际工程中经常数据的缺失或者不完整，此时我们可以将那些缺失设置为nan
    tmpnetsim=nan;
    tmpexpref=nan;
end;
netsim=tmpnetsim;                                       %反应这次聚类的适合度
dpsim=tmpnetsim-tmpexpref;                        %
expref=tmpexpref;                                           %
idx=tmpidx;                                                    %记录了每个点所属那个簇中心的列向量
unique(idx);
DBI=(tmpnetsim/tmpexpref)/length(unique(idx));
fprintf('Number of clusters: %d\n',length(unique(idx)));
fprintf('Fitness (net similarity): %g\n',netsim);
% subplot(1,2,1)
figure;                                                                %绘制结果
for i=unique(idx)'
  ii=find(idx==i);
  h=plot(x(ii,1),x(ii,2),'o');
  hold on;
  col=rand(1,3);
  set(h,'Color',col,'MarkerFaceColor',col);
  xi1=x(i,1)*ones(size(ii));
  xi2=x(i,2)*ones(size(ii));
  line([x(ii,1),xi1]',[x(ii,2),xi2]','Color',col);
end;
axis equal;

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据