【Python实例第18讲】affinity propagation聚类算法

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。
摘要由CSDN通过智能技术生成

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

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 x j x_j

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值