💥💥💞💞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
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。