本文介绍了机器学习中的affinity propagation（AP）聚类算法，该算法基于数据点间的相似度信息传递，无需预先设定类别数量。AP算法在计算机视觉和计算生物学等领域有广泛应用。算法描述包括相似度矩阵S、适配度矩阵R和A的更新过程，并提供了使用scikit-learn实现AP聚类的Python实例。
机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）
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视觉和计算生物学领域。
算法描述
设 x 1 , x 2 , … , x n x_1, x_2, \dots, x_n x1,x2,…,xn 组成数据点集合，这里并不需要假设数据集的结构。令 s s s 是一个量化任何两点相似度的函数。对任意 x i x_i xi, s ( x i , x j ) > s ( x i , x k ) s(x_i, x_j)>s(x_i, x_k) s(xi,xj)>s(xi,xk), 当且仅当
x i x_i xi 与 x j x_j
最低0.47元/天 解锁文章
扫一扫
571
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
