聚类 python_机器学习：Python实现聚类算法(二)之AP算法

1.算法简介

AP(Affinity Propagation)通常被翻译为近邻传播算法或者亲和力传播算法，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。

2.相关概念(假如有数据点i和数据点j)

（图1） （图2） （图3）

1）相似度： 点j作为点i的聚类中心的能力，记为S(i,j)。一般使用负的欧式距离，所以S(i,j)越大，表示两个点距离越近，相似度也就越高。使用负的欧式距离，相似度是对称的，如果采用其他算法，相似度可能就不是对称的。

2）相似度矩阵：N个点之间两两计算相似度，这些相似度就组成了相似度矩阵。如图1所示的黄色区域，就是一个5*5的相似度矩阵(N=5)

3) preference：指点i作为聚类中心的参考度(不能为0)，取值为S对角线的值(图1红色标注部分)，此值越大，最为聚类中心的可能性就越大。但是对角线的值为0，所以需要重新设置对角线的值，既可以根据实际情况设置不同的值，也可以设置成同一值。一般设置为S相似度值的中值。(有的说设置成S的最小值产生的聚类最少，但是在下面的算法中设置成中值产生的聚类是最少的)

4）Responsibility(吸引度):指点k适合作为数据点i的聚类中心的程度，记为r(i,k)。如图2红色箭头所示，表示点i给点k发送信息，是一个点i选点k的过程。

5）Availability(归属度):指点i选择点k作为其聚类中心的适合程度，记为a(i,k)。如图3红色箭头所示，表示点k给点i发送信息，是一个点k选diani的过程。

6）exemplar：指的是聚类中心。

7）r (i, k)加a (i, k)越大,则k点作为聚类中心的可能性就越大,并且i点隶属于以k点为聚类中心的聚类的可能性也越大

3.数学公式

1）吸引度迭代公式:

（公式一）

说明1：Rt+1(i,k)表示新的R(i,k)，Rt(i,k)表示旧的R(i,k)，也许这样说更容易理解。其中λ是阻尼系数，取值[0.5,1)，用于算法的收敛

说明2：网上还有另外一种数学公式：

（公式二）

sklearn官网的公式是：

（公式三）

我试了这两种公式之后，发现还是公式一的聚类效果最好。同样的数据都采取S的中值作为参考度，我自己写的算法聚类中心是5个，sklearn提供的算法聚类中心是十三个，但是如果把参考度设置为p=-50，则我自己写的算法聚类中心很多，sklearn提供的聚类算法产生标准的3个聚类中心(因为数据是围绕三个中心点产生的)，目前还不清楚这个p=-50是怎么得到的。

2）归属度迭代公式

说明：At+1(i,k)表示新的A(i,k)，At(i,k)表示旧的A(i,k)。其中λ是阻尼系数，取值[0.5,1)，用于算法的收敛

4.详细的算法流程

1）设置实验数据。使用sklearn包中提供的函数，随机生成以[1, 1], [-1, -1], [1, -1]三个点为中心的150个数据。

definit_sample():## 生成的测试数据的中心点

centers = [[1, 1], [-1, -1], [1, -1]]##生成数据

Xn, labels_true = make_blobs(n_samples=150, centers=centers, cluster_std=0.5,

random_state=0)#3数据的长度，即：数据点的个数

dataLen =len(Xn)return Xn,dataLen

View Code

2）计算相似度矩阵，并且设置参考度，这里使用相似度矩阵的中值

defcal_simi(Xn):##这个数据集的相似度矩阵，最终是二维数组

simi =[]for m inXn:##每个数字与所有数字的相似度列表，即矩阵中的一行

temp =[]for n inXn:##采用负的欧式距离计算相似度

s =-np.sqrt((m[0]-n[0])**2 + (m[1]-n[1])**2)

temp.append(s)

simi.append(temp)##设置参考度，即对角线的值，一般为最小值或者中值

#p = np.min(simi) ##11个中心

#p = np.max(simi) ##14个中心

p = np.median(simi) ##5个中心

for i inrange(dataLen):

simi[i][i]=preturn simi

View Code

3）计算吸引度矩阵，即R值。

如果有细心的同学会发现，在上述求R和求A的公式中，求R需要A，求A需要R，所以R或者A不是一开始就可以求解出的，需要先初始化，然后再更新。(我开始就陷入了这个误区，总觉得公式有问题，囧)

##初始化R矩阵、A矩阵

definit_R(dataLen):

R= [[0]*dataLen for j inrange(dataLen)]returnRdefinit_A(dataLen):

A= [[0]*dataLen for j inrange(dataLen)]returnA##迭代更新R矩阵

defiter_update_R(dataLen,R,A,simi):

old_r= 0 ##更新前的某个r值

lam = 0.5 ##阻尼系数,用于算法收敛

##此循环更新R矩阵

for i inrange(dataLen):for k inrange(dataLen):

old_r=R[i][k]if i !=k:

max1= A[i][0] + R[i][0] ##注意初始值的设置

for j inrange(dataLen):if j !=k:if A[i][j] + R[i][j] >max1 :

max1= A[i][j] +R[i][j]##更新后的R[i][k]值

R[i][k] = simi[i][k] -max1##带入阻尼系数重新更新

R[i][k] = (1-lam)*R[i][k] +lam*old_relse:

max2= simi[i][0] ##注意初始值的设置

for j inrange(dataLen):if j !=k:if simi[i][j] >max2:

max2=simi[i][j]##更新后的R[i][k]值

R[i][k] = simi[i][k] -max2##带入阻尼系数重新更新

R[i][k] = (1-lam)*R[i][k] +lam*old_rprint("max_r:"+str(np.max(R)))#print(np.min(R))

return R

View Code

4）计算归属度矩阵，即A值

##迭代更新A矩阵

defiter_update_A(dataLen,R,A):

old_a= 0 ##更新前的某个a值

lam = 0.5 ##阻尼系数,用于算法收敛

##此循环更新A矩阵

for i inrange(dataLen):for k inrange(dataLen):

old_a=A[i][k]if i ==k :

max3= R[0][k] ##注意初始值的设置

for j inrange(dataLen):if j !=k:if R[j][k] >0:

max3+=R[j][k]else:

max3+=0

A[i][k]=max3##带入阻尼系数更新A值

A[i][k] = (1-lam)*A[i][k] +lam*old_aelse:

max4= R[0][k] ##注意初始值的设置

for j inrange(dataLen):##上图公式中的i!=k 的求和部分

if j != k and j !=i:if R[j][k] >0:

max4+=R[j][k]else:

max4+=0##上图公式中的min部分

if R[k][k] + max4 >0:

A[i][k]=0else:

A[i][k]= R[k][k] +max4##带入阻尼系数更新A值

A[i][k] = (1-lam)*A[i][k] +lam*old_aprint("max_a:"+str(np.max(A)))#print(np.min(A))

return A

View Code

5）迭代更新R值和A值。终止条件是聚类中心在一定程度上不再更新或者达到最大迭代次数

##计算聚类中心

defcal_cls_center(dataLen,simi,R,A):##进行聚类，不断迭代直到预设的迭代次数或者判断comp_cnt次后聚类中心不再变化

max_iter = 100 ##最大迭代次数

curr_iter = 0 ##当前迭代次数

max_comp = 30 ##最大比较次数

curr_comp = 0 ##当前比较次数

class_cen = [] ##聚类中心列表，存储的是数据点在Xn中的索引

whileTrue:##计算R矩阵

R =iter_update_R(dataLen,R,A,simi)##计算A矩阵

A =iter_update_A(dataLen,R,A)##开始计算聚类中心

for k inrange(dataLen):if R[k][k] +A[k][k] >0:if k not inclass_cen:

class_cen.append(k)else:

curr_comp+= 1curr_iter+= 1

print(curr_iter)if curr_iter >= max_iter or curr_comp >max_comp :break

return class_cen

View Code

6）根据求出的聚类中心，对数据进行分类

这个步骤产生的是一个归类列表，列表中的每个数字对应着样本数据中对应位置的数据的分类

##根据聚类中心划分数据

c_list =[]for m inXn:

temp=[]for j inclass_cen:

n=Xn[j]

d= -np.sqrt((m[0]-n[0])**2 + (m[1]-n[1])**2)

temp.append(d)##按照是第几个数字作为聚类中心进行分类标识

c =class_cen[temp.index(np.max(temp))]

c_list.append(c)

View Code

7）完整代码及效果图

from sklearn.datasets.samples_generator importmake_blobsimportnumpy as npimportmatplotlib.pyplot as plt'''第一步：生成测试数据

1.生成实际中心为centers的测试样本300个，

2.Xn是包含150个(x,y)点的二维数组

3.labels_true为其对应的真是类别标签'''

definit_sample():## 生成的测试数据的中心点

centers = [[1, 1], [-1, -1], [1, -1]]##生成数据

Xn, labels_true = make_blobs(n_samples=150, centers=centers, cluster_std=0.5,

random_state=0)#3数据的长度，即：数据点的个数

dataLen =len(Xn)returnXn,dataLen'''第二步：计算相似度矩阵'''

defcal_simi(Xn):##这个数据集的相似度矩阵，最终是二维数组

simi =[]for m inXn:##每个数字与所有数字的相似度列表，即矩阵中的一行

temp =[]for n inXn:##采用负的欧式距离计算相似度

s =-np.sqrt((m[0]-n[0])**2 + (m[1]-n[1])**2)

temp.append(s)

simi.append(temp)##设置参考度，即对角线的值，一般为最小值或者中值

#p = np.min(simi) ##11个中心

#p = np.max(simi) ##14个中心

p = np.median(simi) ##5个中心

for i inrange(dataLen):

simi[i][i]=preturnsimi'''第三步：计算吸引度矩阵，即R

公式1：r(n+1) =s(n)-(s(n)+a(n))-->简化写法，具体参见上图公式

公式2：r(n+1)=(1-λ)*r(n+1)+λ*r(n)'''

##初始化R矩阵、A矩阵

definit_R(dataLen):

R= [[0]*dataLen for j inrange(dataLen)]returnRdefinit_A(dataLen):

A= [[0]*dataLen for j inrange(dataLen)]returnA##迭代更新R矩阵

defiter_update_R(dataLen,R,A,simi):

old_r= 0 ##更新前的某个r值

lam = 0.5 ##阻尼系数,用于算法收敛

##此循环更新R矩阵

for i inrange(dataLen):for k inrange(dataLen):

old_r=R[i][k]if i !=k:

max1= A[i][0] + R[i][0] ##注意初始值的设置

for j inrange(dataLen):if j !=k:if A[i][j] + R[i][j] >max1 :

max1= A[i][j] +R[i][j]##更新后的R[i][k]值

R[i][k] = simi[i][k] -max1##带入阻尼系数重新更新

R[i][k] = (1-lam)*R[i][k] +lam*old_relse:

max2= simi[i][0] ##注意初始值的设置

for j inrange(dataLen):if j !=k:if simi[i][j] >max2:

max2=simi[i][j]##更新后的R[i][k]值

R[i][k] = simi[i][k] -max2##带入阻尼系数重新更新

R[i][k] = (1-lam)*R[i][k] +lam*old_rprint("max_r:"+str(np.max(R)))#print(np.min(R))

returnR'''第四步：计算归属度矩阵，即A'''

##迭代更新A矩阵

defiter_update_A(dataLen,R,A):

old_a= 0 ##更新前的某个a值

lam = 0.5 ##阻尼系数,用于算法收敛

##此循环更新A矩阵

for i inrange(dataLen):for k inrange(dataLen):

old_a=A[i][k]if i ==k :

max3= R[0][k] ##注意初始值的设置

for j inrange(dataLen):if j !=k:if R[j][k] >0:

max3+=R[j][k]else:

max3+=0

A[i][k]=max3##带入阻尼系数更新A值

A[i][k] = (1-lam)*A[i][k] +lam*old_aelse:

max4= R[0][k] ##注意初始值的设置

for j inrange(dataLen):##上图公式中的i!=k 的求和部分

if j != k and j !=i:if R[j][k] >0:

max4+=R[j][k]else:

max4+=0##上图公式中的min部分

if R[k][k] + max4 >0:

A[i][k]=0else:

A[i][k]= R[k][k] +max4##带入阻尼系数更新A值

A[i][k] = (1-lam)*A[i][k] +lam*old_aprint("max_a:"+str(np.max(A)))#print(np.min(A))

returnA'''第5步：计算聚类中心'''

##计算聚类中心

defcal_cls_center(dataLen,simi,R,A):##进行聚类，不断迭代直到预设的迭代次数或者判断comp_cnt次后聚类中心不再变化

max_iter = 100 ##最大迭代次数

curr_iter = 0 ##当前迭代次数

max_comp = 30 ##最大比较次数

curr_comp = 0 ##当前比较次数

class_cen = [] ##聚类中心列表，存储的是数据点在Xn中的索引

whileTrue:##计算R矩阵

R =iter_update_R(dataLen,R,A,simi)##计算A矩阵

A =iter_update_A(dataLen,R,A)##开始计算聚类中心

for k inrange(dataLen):if R[k][k] +A[k][k] >0:if k not inclass_cen:

class_cen.append(k)else:

curr_comp+= 1curr_iter+= 1

print(curr_iter)if curr_iter >= max_iter or curr_comp >max_comp :break

returnclass_cenif __name__=='__main__':##初始化数据

Xn,dataLen =init_sample()##初始化R、A矩阵

R =init_R(dataLen)

A=init_A(dataLen)##计算相似度

simi =cal_simi(Xn)##输出聚类中心

class_cen =cal_cls_center(dataLen,simi,R,A)#for i in class_cen:

#print(str(i)+":"+str(Xn[i]))

#print(class_cen)

##根据聚类中心划分数据

c_list =[]for m inXn:

temp=[]for j inclass_cen:

n=Xn[j]

d= -np.sqrt((m[0]-n[0])**2 + (m[1]-n[1])**2)

temp.append(d)##按照是第几个数字作为聚类中心进行分类标识

c =class_cen[temp.index(np.max(temp))]

c_list.append(c)##画图

colors = ['red','blue','black','green','yellow']

plt.figure(figsize=(8,6))

plt.xlim([-3,3])

plt.ylim([-3,3])for i inrange(dataLen):

d1=Xn[i]

d2=Xn[c_list[i]]

c=class_cen.index(c_list[i])

plt.plot([d2[0],d1[0]],[d2[1],d1[1]],color=colors[c],linewidth=1)#if i == c_list[i] :

#plt.scatter(d1[0],d1[1],color=colors[c],linewidth=3)

#else :

#plt.scatter(d1[0],d1[1],color=colors[c],linewidth=1)

plt.show()

View Code

迭代11次出结果：

补充说明：这个算法重点在讲解实现过程，执行效率不是特别高，有优化的空间。以后我会补充进来

5.sklearn包中的AP算法

1）函数：sklearn.cluster.AffinityPropagation

2）主要参数：

damping : 阻尼系数，取值[0.5,1)

convergence_iter ：比较多少次聚类中心不变之后停止迭代，默认15

max_iter ：最大迭代次数

preference :参考度

3）主要属性

cluster_centers_indices_ : 存放聚类中心的数组

labels_ :存放每个点的分类的数组

n_iter_ : 迭代次数

4）示例

preference(即p值)取不同值时的聚类中心的数目在代码中注明了。

from sklearn.cluster importAffinityPropagationfrom sklearn importmetricsfrom sklearn.datasets.samples_generator importmake_blobsimportnumpy as np## 生成的测试数据的中心点

centers = [[1, 1], [-1, -1], [1, -1]]##生成数据

Xn, labels_true = make_blobs(n_samples=150, centers=centers, cluster_std=0.5,

random_state=0)

simi=[]for m inXn:##每个数字与所有数字的相似度列表，即矩阵中的一行

temp =[]for n inXn:##采用负的欧式距离计算相似度

s =-np.sqrt((m[0]-n[0])**2 + (m[1]-n[1])**2)

temp.append(s)

simi.append(temp)

p=-50 ##3个中心#p = np.min(simi) ##9个中心，#p = np.median(simi) ##13个中心

ap= AffinityPropagation(damping=0.5,max_iter=500,convergence_iter=30,

preference=p).fit(Xn)

cluster_centers_indices=ap.cluster_centers_indices_for idx incluster_centers_indices:print(Xn[idx])

View Code

6.AP算法的优点

1） 不需要制定最终聚类族的个数

2） 已有的数据点作为最终的聚类中心，而不是新生成一个族中心。

3）模型对数据的初始值不敏感。

4）对初始相似度矩阵数据的对称性没有要求。

5）.相比与k-centers聚类方法，其结果的平方差误差较小。

7.AP算法的不足

1）AP算法需要事先计算每对数据对象之间的相似度，如果数据对象太多的话，内存放不下，若存在数据库，频繁访问数据库也需要时间。

2）AP算法的时间复杂度较高，一次迭代大概O(N3)

3）聚类的好坏受到参考度和阻尼系数的影响。