Clustering by fast search and find of density peaks 小结

这是14年发在science上的一篇关于聚类的文章。从做毕设接触过的几个方法来看，这个方法效果很好。有很大的普适性。

作者Alex Rodriguez and Alessandro Laio，来自SISSA（意大利国际高等研究院）。

这篇文章简洁有效的介绍了文章中算法的三大创新点，并且通过多个例子证明了算法的能力。

• 创新1，文章给出了对于聚类中心很好的抽象，文章认为聚类中心应该有以下特点。一方面拥有局部最大密度，另一方面距离密度比它大的点的距离相当远。
• 创新2, 对于非聚类中心点，按照从大密度点到小密度点，依次划分给密度比自身大的最近点所属的簇。
• 创新3, 认为局部密度低，而且离开密度比它大的最近点的距离远的点是噪声。并进一步定义了簇的边界区， 并认为比边界区中最大密度点小的点的点是cluster halo，也可以说是噪声。

算法基本上只有参数dc，而且文章举例表明算法对于dc有很好的鲁棒性。算法的一大缺点是当数据量较小的时候，密度的估计可能就无法反映数据的真实分布。文章给出参考文献（10、11）用于密度估计。对于图像相似度的衡量文章也给出了参考文献（19）。最后文章还实验了在维度变化时创新1中两个量乘积的分布情况，为后续聚类中心自动选择和统计检验提供了思路。