scikit-learn之聚类算法之Affinity Propagation

基本概念

exemplar： 聚类的中心点；
s(i,k)： 样本 i 和样本 k 之间的相似度，初始化时会有一个相似度矩阵；
preference： 偏好参数（参考度），指相似度矩阵中横轴纵轴索引相同的点，如s(i,i)，表示数据点 i 作为聚类中心的程度。迭代开始前假设所有点成为聚类中心的能力相同，因此参考度一般设为相似度矩阵中所有值得最小值或者中位数，但是参考度越大则说明各数据点成为聚类中心的能力越强，则最终聚类中心的个数越多；
r(i,k)： responsibility（吸引度），样本 k 适合作为样本 i 的聚类中心的累积信任度；
a(i,k)： availability（归属度），样本 i 应该选择样本 k 作为其聚类中心的累积信任度；
damping factor： 阻尼系数，为了避免 r(i,k) 和 a(i,k) 在更新时发生数值震荡；

算法流程

1、计算初始的相似度矩阵，将各点之间的吸引度 r(i,k) 和归属度 a(i,k) 初始化为 0；
2、更新各点之间的吸引度，随之更新各点之间的归属度，公式如下：



其中，λ