近邻传播 Affinity Propagation(AP) 聚类算法原理及实现

已于 2025-02-23 01:19:33 修改
阅读量4.8k 收藏 24
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 聚类 机器学习 算法
于 2022-05-14 08:50:38 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/scott198510/article/details/124763513
本文介绍了机器学习中的Affinity Propagation（AP）算法，一种不需要预先设定簇数量的聚类方法。AP算法通过数据点之间的相似度矩阵进行消息传递，自动确定簇的数量，并将数据点自身作为潜在的聚类中心。算法流程包括相似度计算、参考度、责任和可用性等概念，其特点是模型对初始值不敏感且无需预设簇中心数量，但存在计算复杂度较高的问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.概述

      机器学习中 AP(Affinity Propagation)通常被称为近邻传播算法或者密切度传播或类同传播算法，由 Frey 与Dueck于2007年在Science首次提出。AP算法的基本思想是将全部数据点都当作潜在的聚类中心(称之为exemplar)，然后数据点两两之间连线构成一个网络(相似度矩阵)，再通过网络中各条边的消息(responsibility和availability)传递计算出各样本的聚类中心（cluster center）。

2.算法原理

2.1 算法思想

     不同于K均值聚类等算法需要提前设置簇数量K，这种方法自动确定簇的数量。对于聚类对象中每个数据点都选择另一个数据点作为其范例(exemplar)或质心（centroid）。更准确地说，让c_i \in \left \{ 1,2,...,N \right \}表示数据点  i 的簇中心,N表示数据点的总数量。优化对象是最大化如下函数

    &nb

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AP近邻传播聚类算法原理及Matlab实现
m0_53407570的博客
01-12 92
首先我们已经知道有三个类了，所以呢就随机的选三个点（上图最左），作为三个类的中心，也可以叫做代表点，之后呢把图中所有的点归于离他最近的那个点，认为这个点就是属于这一类（上图左二），显然这样分类是不行的，然后我们计算每个类的那些点的中心（或者称为重心），把每个类的代表点的位置移到这个类的重心处（上图右二），然后再把全图中所有点都归于他们最近的那个类代表点，这时有些点的归属就会发生变化，然后不断的这么迭代，知道所有点的归属都不再变化为止，我们就认为这个算法收敛了。是指点j作为点i的聚类中心的相似度。
Affinity Propagation 算法深度解析与实战指南
以为在机器学习领域与人工智能领域深耕多年的老牛
02-27 1146
Affinity Propagation（近邻传播算法）是一种基于消息传递的自适应聚类算法，突破传统聚类需要预设类别数的限制。其核心创新在于通过数据点间的吸引度（Responsibility）和归属度（Availability）迭代计算，自动识别最优聚类中心。
近邻传播聚类算法
04-07
文中详细地对近邻传播聚类算法的基本理论概念进行了阐释，并通过案例予以验证。
Python实现AP聚类算法完整指南：apcluster.py
最新发布
weixin_42561464的博客
05-13 843
聚类分析是数据挖掘和无监督学习中的一项基础而关键的技术，它旨在发现数据集中的内在分布和结构。随着数据科学的发展，对聚类算法的要求不断提高，传统的层次聚类、K均值聚类等方法逐渐显示出它们在处理大规模数据集时的局限性。在这种背景下，AP聚类算法应运而生，它以其独特的无中心聚类特性，成功地解决了部分传统聚类方法中无法处理的问题。本章将对AP算法做一个概括性的介绍，并详细探讨其背后的原理与步骤。在AP聚类算法中，责任（R）指的是一个数据点（点i）认为某个数据点（点j）属于其当前潜在簇的程度。
Affinity Propagation (AP)近邻传播聚类
Mark_Australia的博客
09-21 1896
AP聚类
AP聚类算法原理分析
wxf_ou的博客
07-20 9770
AP聚类算法：AP算法在开始时，将所有的节点都看成潜在的聚类中心，然后通过节点之间的通信找到最合适的聚类中心。 输入为节点间的相似度矩阵S： 其中S(i，j)表示节点i与节点j之间的相似度，也表明了j作为i的聚类中心的合适程度。 S(k，k)表示节点k作为k的聚类中心的合适程度，即节点k成为聚类中心的合适程度。 在最开始的时候，这个值是初始化时使用者给定的值，会影响到最后的聚类数量AP节点之
AP近邻传播聚类算法(Affinity Propagation)
热门推荐
03-01 1万+
Affinity Propagation (AP) 聚类是2007年在Science杂志上提出的一种新的聚类算法。它根据N个数据点之间的相似度进行聚类,这些相似度可以是对称的,即两个数据点互相之间的相似度一样(如欧氏距离);也可以是不对称的,即两个数据点互相之间的相似度不等。这些相似度组成N×N的相似度矩阵S(其中N为有N个数据点)。 AP算法不需要事先指定聚类数目,相反它将所有的数据点都作为潜
聚类算法之AP（Affinity Propagation）聚类算法（近邻传播）
jack_jay_du的博客
06-20 3314
定义 在统计和数据挖掘中，近邻传播（AP）是基于数据点之间的“消息传递”概念的聚类算法。与聚类算法如ķ-means或ķ-medoids，近邻传播不需要簇的数目来确定或运行算法之前估计。类似于k-medoids，近邻传播找到“范例”，输入集的成员代表集群。 基本思想 AP算法的基本思想是将全部样本看做网络的节点，然后通过网络中各条边的消息传递计算出个样本的聚类中心。聚类过程中，共有两种消...
基于近邻传播（Affinity Propagation, AP）聚类算法（Python）
01-11
**基于近邻传播（Affinity Propagation, AP）聚类算法** 近邻传播（Affinity Propagation, AP）是一种无中心、非参数的聚类算法，由M. E. J. Newman和M. Girvan在2004年提出。与传统的K-means或层次聚类方法不同，...
AP近邻传播聚类算法原理及Matlab实现.pdf
03-11
AP近邻传播聚类算法（Affinity Propagation）是由Brendan J. Frey和David G. Lowe在2007年提出的，它是一种无监督的聚类方法，旨在通过数据点之间的相似度来自动组织数据。AP算法的核心思想是不需要预先设定聚类的...
AP近邻传播聚类算法原理及Matlab实现.docx
03-11
AP（Affinity Propagation）近邻传播聚类算法是一种基于数据点之间相似度的无监督聚类方法，由Brendan J. Frey和David G. Lowe在2007年提出的。与传统的聚类算法，如k-Means不同，AP算法不需要预先设定聚类的数量，...
一种快速的近邻传播聚类算法
10-23
近邻传播算法是一种快速有效的聚类方法.针对近邻传播算法在无先验知识条件下偏向参数选择的问题,使用Silhouette聚类有效性指标确定偏向参数.针对近邻传播算法在处理结构复杂或高维数据时,存在数据信息重叠的问题,提出将局部保持投影方法与近邻传播算法相结合的方法,在有效保留数据内部非线性结构的前提下,有效删除数据空间中的冗余信息.仿真结果验证了提出的算法优于传统的近邻传播算法.
近邻传播聚类算法实现matlab
03-13
此代码为近邻传播聚类 即affinity appropagation 聚类算法的实现以及演示代码
近邻传播聚类-MATLAB程序
05-01
这是近邻传播聚类算法创始人Frey & Dueck在2007年Science杂志上面发表的“Clustering by Passing Messages between data points”论文里面方法的MATLAB实现程序代码，俗称AP聚类代码。里面包含两个版本：一个是普通版的，一个是稀疏版本的，下载后，先添加数据集，再调用这两个方法就行了。
近邻传播聚类（affinity propagation clustering）MATLAB程序
03-26
这是近邻传播聚类算法创始人Frey & Dueck在2007年Science杂志上面发表的“Clustering by Passing Messages between data points”论文里面方法的MATLAB实现程序代码，俗称AP聚类代码。里面包含两个版本：一个是普通版的，一个是稀疏版本的，下载后，先添加数据集，再调用这两个方法就行了。
ap聚类算法
02-09
一个很好的利用DTW距离作相似度的ap聚类算法，同时能够自适应的调整最佳参数
[转] 近邻传播聚类算法
07-19 866
[转] 近邻传播聚类算法 原文：https://www.cntofu.com/book/85/ml/cluster/ap.md 凯鲁嘎吉 - 博客园http://www.cnblogs.com/kailugaji/ 1.算法简介 AP(Affinity Propagation)通常被翻译为近邻传播算法或者仿射传播算法，是在2007年的Science杂志上提出的一种新的聚类算法...
AP近邻传播聚类算法总结
manjhOK的博客
12-06 8510
AP（Affinity Propagation）算法是Fery等在2007提出的一种基于近邻传播的半监督聚类算法。算法的基本思想是：首先通过消息传递机制来搜索网络中各个数据点的聚类中心以及数据点与数据中心之间的隶属关系，然后根据数据中心和顶点之间的隶属关系来对待聚类数据集进行划分，形成若干个具有特定意义的子集。该算法的优点众多，比如算法在聚类的过程中不需要明确确定与聚类个数相关的参数；聚类中心是待聚
【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）
weixin_66436111的博客
02-01 921
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。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。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。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。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

scott198512

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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