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.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。
def init_sample():
"""
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
"""
# 生成的测试数据的中心点
centers = [[1, 1], [-1, -1], [1, -1]]
# 生成数据
X, label_true = make_blobs(n_samples=150, centers=centers, cluster_std=0.5, random_state=0)
return X, label_true
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
3）计算吸引度矩阵，即R值。
4）计算归属度矩阵，即A值
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
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
完整代码
# -*- coding: utf-8 -*- """
@Datetime: 2019/3/31
@Author: Zhang Yafei
"""
import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets.samples_generator import make_blobs def init_sample():
"""
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
"""
# 生成的测试数据的中心点
centers = [[1, 1], [-1, -1], [1, -1]]
# 生成数据
X, label_true = make_blobs(n_samples=150, centers=centers, cluster_std=0.5, random_state=0)
return X, label_true class AP(object):
""" AP聚类 """ def __init__(self):
self.Xn = None
self.Xn_len = None
self.R = None
self.A = None
self.simi_matrix = None
self.class_cen = None def fit(self, data):
self.Xn = data
self.Xn_len = len(data)
# 初始化R、A矩阵
self.R = np.zeros((self.Xn_len, self.Xn_len))
self.A = np.zeros((self.Xn_len, self.Xn_len))
# 计算相似度
self.cal_simi()
# 输出聚类中心
self.class_cen = self.cal_cls_center() def cal_simi(self):
"""
计算相似度矩阵
这个数据集的相似度矩阵，最终是二维数组
每个数字与所有数字的相似度列表，即矩阵中的一行
采用负的欧式距离计算相似度
:return:
"""
simi = [[-np.sqrt((m[0] - n[0]) ** 2 + (m[1] - n[1]) ** 2) for n in self.Xn] for m in self.Xn] # 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 in range(self.Xn_len):
simi[i][i] = p self.simi_matrix = simi def iter_update_R(self, old_r=0, lam=0.5):
"""
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)
迭代更新R矩阵
:param old_r: 更新前的某个r值
:param lam: 阻尼系数，用于算法收敛
:return:
"""
# 此循环更新R矩阵
for i in range(self.Xn_len):
for k in range(self.Xn_len):
old_r = self.R[i][k]
if i != k:
max1 = self.A[i][0] + self.R[i][0] ##注意初始值的设置
for j in range(self.Xn_len):
if j != k:
if self.A[i][j] + self.R[i][j] > max1:
max1 = self.A[i][j] + self.R[i][j]
##更新后的R[i][k]值
self.R[i][k] = self.simi_matrix[i][k] - max1
##带入阻尼系数重新更新
self.R[i][k] = (1 - lam) * self.R[i][k] + lam * old_r
else:
max2 = self.simi_matrix[i][0] ##注意初始值的设置
for j in range(self.Xn_len):
if j != k:
if self.simi_matrix[i][j] > max2:
max2 = self.simi_matrix[i][j]
##更新后的R[i][k]值
self.R[i][k] = self.simi_matrix[i][k] - max2
##带入阻尼系数重新更新
self.R[i][k] = (1 - lam) * self.R[i][k] + lam * old_r
print("max_r:" + str(np.max(self.R))) def iter_update_A(self, old_a=0, lam=0.5):
"""
迭代更新A矩阵
:param old_r: 更新前的某个r值
:param lam: 阻尼系数，用于算法收敛
:return:
"""
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 in range(self.Xn_len):
for k in range(self.Xn_len):
old_a = self.A[i][k]
if i == k:
max3 = self.R[0][k] ##注意初始值的设置
for j in range(self.Xn_len):
if j != k:
if self.R[j][k] > 0:
max3 += self.R[j][k]
else:
max3 += 0
self.A[i][k] = max3
# 带入阻尼系数更新A值
self.A[i][k] = (1 - lam) * self.A[i][k] + lam * old_a
else:
max4 = self.R[0][k] # 注意初始值的设置
for j in range(self.Xn_len):
# 上图公式中的i!=k 的求和部分
if j != k and j != i:
if self.R[j][k] > 0:
max4 += self.R[j][k]
else:
max4 += 0 # 上图公式中的min部分
if self.R[k][k] + max4 > 0:
self.A[i][k] = 0
else:
self.A[i][k] = self.R[k][k] + max4 # 带入阻尼系数更新A值
self.A[i][k] = (1 - lam) * self.A[i][k] + lam * old_a
print("max_a:" + str(np.max(self.A))) def cal_cls_center(self, max_iter=100, curr_iter=0, max_comp=30, curr_comp=0):
"""
计算聚类中心
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
:param max_iter: 最大迭代次数
:param curr_iter: 当前迭代次数
:param max_comp: 最大比较次数
:param curr_comp: 当前比较次数
:return:
"""
class_cen = [] # 聚类中心列表，存储的是数据点在Xn中的索引
while True:
# 计算R矩阵
self.iter_update_R()
# 计算A矩阵
self.iter_update_A()
# 开始计算聚类中心
for k in range(self.Xn_len):
if self.R[k][k] + self.A[k][k] > 0:
if k not in class_cen:
class_cen.append(k)
else:
curr_comp += 1
curr_iter += 1
print('iteration the {}'.format(curr_iter))
if curr_iter >= max_iter or curr_comp > max_comp:
break
return class_cen def c_list(self):
# 根据聚类中心划分数据
c_list = []
for m in self.Xn:
temp = []
for j in self.class_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)
print(c_list)
return c_list def plot(class_cen, X, c_list):
# 画图
colors = ['red', 'blue', 'black', 'green', 'yellow']
plt.figure(figsize=(8, 6))
plt.xlim([-3, 3])
plt.ylim([-3, 3])
for i in range(len(X)):
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.savefig('AP 聚类.png')
plt.show() if __name__ == '__main__':
# 初始化数据
Xn, labels_true = init_sample()
ap = AP()
ap.fit(data=Xn)
class_cen = ap.class_cen
# for i in class_cen:
# print(str(i)+":"+str(Xn[i]))
c_list = ap.c_list()
plot(class_cen=class_cen, X=Xn, c_list=c_list)
AP.py
效果图
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。
# -*- coding: utf-8 -*- """
@Datetime: 2019/3/31
@Author: Zhang Yafei
""" import numpy as np
from sklearn.cluster import AffinityPropagation
from sklearn.datasets.samples_generator import make_blobs def init_sample():
"""
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
"""
# 生成的测试数据的中心点
centers = [[1, 1], [-1, -1], [1, -1]]
# 生成数据
X, label_true = make_blobs(n_samples=150, centers=centers, cluster_std=0.5, random_state=0)
return X, label_true def simi_matrix(Xn):
simi = []
for m in Xn:
##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 in Xn:
##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)
return simi if __name__ == '__main__':
Xn, label_true = init_sample()
simi_matrix = simi_matrix(Xn) 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_
print(ap.labels_)
for idx in cluster_centers_indices:
print(Xn[idx]
sklearn_AP.py
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。